ECONOMETRA PRCTICA CON EXCEL

SERGIO ZIGA Universidad Catlica del Norte Julio, 2004

PRESENTACION
Es sabido que el estudio de la econometra requiere, en apoyo al estudio de los aspectos conceptuales, la estimacin emprica de los modelos economtricos para anlisis, contrastacin y prediccin. Para esto el estudiante debe estar familiarizado con un buen programa de ordenador, de los cuales existen en el mercado muchas alternativas, como por ejemplo RATS, E-Views, Limdep, Gauss, Stata o SAS, cada uno de ellos con caractersticas especiales. Este libro se ocupa de introducir al lector en el programa Excel. Si bien Excel no es el programa preferido por los econometristas, a travs de este libro mostramos la forma en que ste puede ayudar a alcanzar la mayor parte de los objetivos planteados para una asignatura de econometra de pregrado. Como se ver, este libro es un texto de apoyo en los laboratorios computacionales de econometra, es decir tiene un objetivo netamente prctico, por lo cual hemos intentado presentar y resolver gran nmero de ejemplos numricos, a costa de centrarnos solo en los aspectos fundamentales de la teora subyacente, la que asumimos ser estudiada en alguno de los nmerosos libros de texto introductorio existentes, tales como Introduccin a la Econometra de Maddala, Anlisis Economtrico de Green, Introduction to the Theory and Practice of Econometrics de Judge et al., y Econometra de Gujarati.

INDICE

PRESENTACION ............................................................................................................................................................. 1 CAPTULO 1..................................................................................................................................................................... 1 EL PROGRAMA EXCEL ................................................................................................................................................ 1 1.1. ESTADISTICA DESCRIPTIVA CON EXCEL ................................................................................................ 1 1.2. SESGO, CURTOSIS Y NORMALIDAD.......................................................................................................... 4 1.3. GRAFICOS DE PROBABILIDAD NORMAL................................................................................................. 6 1.4. HISTOGRAMA ................................................................................................................................................ 9 1.5. OPERACIONES CON ESCALARES Y MATRICES .................................................................................... 11 a) Crear una frmula matricial.................................................................................................................................. 11 b) Calcular un nico resultado .................................................................................................................................. 11 c) Calcular varios resultados ..................................................................................................................................... 11 d) Operaciones Matriciales........................................................................................................................................ 12 1.6. DISTRIBUCIONES DE PROBABILIDAD.................................................................................................... 13 1.7. POTENCIA DE UN TEST .............................................................................................................................. 15 1.7.1. APLICACIN: SELECCIN ENTRE TESTS ALTERNATIVOS ................................................................. 16 1.8. NIVEL DE SIGNIFICANCIA MARGINAL: CDF O P-VALUE.................................................................... 17 1.8.1. Distribucin Normal......................................................................................................................................... 17 1.8.2. Distribucin t.................................................................................................................................................... 18 1.8.3. Distribucin F .................................................................................................................................................. 19 1.8.4. Distribucin Chi cuadrado............................................................................................................................... 20 1.9. PRUEBAS SOBRE LA MEDIA EN EXCEL ......................................................................................................... 21 1.9.1. Inferencia respecto a una Media...................................................................................................................... 21 1.9.2. Diferencia de dos Medias (Univariado)........................................................................................................... 22 1.9.3. Inferencia En Excel .......................................................................................................................................... 23 1.10. SERIES DE DATOS........................................................................................................................................ 26 CAPTULO 2................................................................................................................................................................... 28 EL MODELO DE REGRESIN LINEAL................................................................................................................... 28 2.1. INTRODUCCIN: QUE ES LA ECONOMETRA? .................................................................................... 28 2.2. ESTIMACIN DE MODELOS DE REGRESIN ......................................................................................... 28 2.2.1. EL MTODO DE MNIMOS CUADRADOS ................................................................................................... 29 2.2.2. IMPLEMENTACIN DE MCO ....................................................................................................................... 31 2.3. PRUEBA DE HIPTESIS............................................................................................................................... 33 2.3.2. LA DISTRIBUCIN DE b Y SUS PROPIEDADES ..................................................................................... 33 2.3.3. LA MATRIZ DE COVARIANZAS DE LOS ERRORES ................................................................................ 34 2.3.4. UNA MEDIDA DEL XITO DE AJUSTE.................................................................................................... 36 2.4. CASO DE ESTUDIO .............................................................................................................................................. 38 2.4.1. Describiendo los Datos .................................................................................................................................... 38 2.4.2. Calculando Estadsticas ................................................................................................................................... 39 2.4.3. Transformacin de datos y creacin de nuevas series ..................................................................................... 39 2.4.5. Grficos de Series de Tiempo........................................................................................................................... 40 2.4.6. Grficos X-Y (Scatter) ...................................................................................................................................... 40 2.4.7. CASO DE ESTUDIO: Corriendo la Regresin 1 ............................................................................................. 42 2.4.8. CASO DE ESTUDIO: Corriendo la Regresin 2 ............................................................................................. 43 2.5. INTERPRETACION DE LOS COEFICIENTES DE REGRESIN............................................................... 45

2.5.1. INTRODUCCIN ........................................................................................................................................ 45 2.5.2. FORMA DOBLE LOGARTMICA ............................................................................................................... 46 2.5.3 MODELO LOGARTMICO LINEAL (DE CRECIMIENTO CONSTANTE) ................................................ 46 2.5.4. OTRA VISIN DE LOS COEFICIENTES DE PENDIENTE....................................................................... 47 2.6 RESUMEN: UNA CRTICA AL MODELO....................................................................................................... 50 CAPTULO 3................................................................................................................................................................... 51 MNIMOS CUADRADOS RESTRINGIDOS (INFERENCIA) ................................................................................. 51 3.1. MCO CON ERRORES NORMALES ............................................................................................................. 51 3.2. PRUEBAS SOBRE UN COEFICIENTE......................................................................................................... 53 3.3. TRES TESTS EQUIVALENTES .................................................................................................................... 54 3.4. TEST DE RAZON DE VEROSIMILITUD (LR) ............................................................................................ 54 3.4.1. LR BAJO ESPECIFICACION LINEAL-LINEAL ............................................................................................. 55 3.5. TEST DE WALD .................................................................................................................................................... 57 3.5.1. WALD BAJO ESPECIFICACION LINEAL-LINEAL ....................................................................................... 57 3.5.2. EJEMPLO NUMERICO DEL TEST DE WALD .............................................................................................. 58 3.6. TEST DEL MULTIPLICADOR DE LAGRANGE................................................................................................. 59 3.7. PRUEBA DE SIGNIFICANCIA GLOBAL .................................................................................................... 60 3.8. PRUEBA DE EXCLUSION DE VARIABLES............................................................................................... 61 3.9. PRUEBA DE CAUSALIDAD (GRANGER, 1969) ........................................................................................ 62 3.10. TEST DE ESTABILIDAD (CAMBIO ESTRUCTURAL).............................................................................. 65 3.11. ESTIMANDO REGRESINES RESTRINGIDAS ........................................................................................ 66 CAPTULO 4................................................................................................................................................................... 67 VIOLACIN DE ALGUNOS SUPUESTOS ................................................................................................................ 67 4.1. MNIMOS CUADRADOS GENERALIZADOS............................................................................................ 68 4.2. HETEROCEDASTICIDAD............................................................................................................................ 69 4.2.1. CORRECCIN CON MCG ( CONOCIDA) ............................................................................................. 70 4.2.2. DETECCION DE LA HETEROCEDASTICIDAD ....................................................................................... 72
1.- Test de Goldfeld y Quandt (1972) ........................................................................................................................................ 72 2.- Arch Test de White (1980): .................................................................................................................................................. 73 3.- Arch Test de Engle (1982):................................................................................................................................................... 74

4.2.3. CORRIGIENDO POR HETEROCEDASTICIDAD: MC PONDERADOS................................................... 75 4.3. CORRELACIN SERIAL .............................................................................................................................. 77 4.3.1. CORRECCIN CON MCG ( CONOCIDA) ............................................................................................. 78 4.3.2. DETECCION DE AR(1): DURBIN-WATSON (1951) ................................................................................. 80 4.3.3. DETECCION EN MODELOS CON Y REZAGADA: Test h de Durbin ....................................................... 83 4.3.4. DETECCIN DE LA AUTOCORRELACIN DE ORDEN SUPERIOR..................................................... 84
a) Test de BREUSCH (1978) Y GODFREY (1978) .................................................................................................................. 84 b) Test Q de Ljung y Box (1978) (Box-Jenkins model identification) ....................................................................................... 85

4.3.4.

CORRIGIENDO LA AUTOCORRELACION EN EXCEL............................................................................ 87

4.3.4.1. Primeras Diferencias ..................................................................................................................................................... 87 4.3.4.2. PDG: Mtodos Alternativos .......................................................................................................................................... 89

4.4. ESTIMACION ROBUSTA ............................................................................................................................ 91 4.4.1. CORRECCION DE WHITE (1980) ............................................................................................................. 92 4.4.2. CORRECCION DE NEWEY Y WEST (1987) .............................................................................................. 93 4.4. MULTICOLINEALIDAD............................................................................................................................... 95 4.4.1. MULTICOLINEALIDAD PERFECTA......................................................................................................... 95 4.4.2. MULTICOLINEALIDAD MUY ALTA.......................................................................................................... 95 4.5.3. SOLUCIONES A LA MULTICOLINEALIDAD ........................................................................................... 96 CAPTULO 5................................................................................................................................................................... 97 ESTACIONARIEDAD Y COINTEGRACIN............................................................................................................ 97

ii

5.1. REGRESIONES ESPUREAS ......................................................................................................................... 97 5.2. ESTACIONARIEDAD ................................................................................................................................... 99 5.2.1. DEFINICIN ................................................................................................................................................... 99 5.2.2. SERIE ESTACIONARIA ................................................................................................................................... 99 5.2.3. SERIE NO ESTACIONARIA .......................................................................................................................... 101 5.3. PRUEBAS DE ESTACIONARIEDAD ................................................................................................................ 103 5.3.1. CORRELOGRAMA Y TEST Q ....................................................................................................................... 103 5.3.2. PRUEBAS DE RAICES UNITARIAS: Dickey y Fuller .............................................................................. 105 5.3.3. PRUEBAS DE RAICES UNITARIAS: Augmented Dickey Fuller (ADF) Test ........................................... 106 5.3. DIFERENCIACION DE SERIES I(1)........................................................................................................... 108 5.4. COINTEGRACIN: PRUEBA DE ENGLE-GRANGER ............................................................................ 110 5.4.1. INTRODUCCIN ...................................................................................................................................... 110 5.4.2. DEFINICIN FORMAL DE COINTEGRACION...................................................................................... 111 5.4.3. PRUEBA DE ENGLE-GRANGER (1987).................................................................................................. 113 5.4.4. TEOREMA DE REPRESENTACION DE GRANGER.................................................................................... 114 5.5. COMENTAROS FINALES .................................................................................................................................. 116 CAPTULO 6................................................................................................................................................................. 117 INTRODUCCIN A LA PREDICCIN EN EXCEL............................................................................................... 117 6.1. EL ERROR DE PREDICCIN ..................................................................................................................... 119 6.2. PREDICCIN ESTATICA ........................................................................................................................... 119 6.3. CASO PRCTICO........................................................................................................................................ 122 a) Tasa de Ocupacin (OCCUP) ............................................................................................................................. 123 b) Ingreso por Habitacin (Room Rate)................................................................................................................... 125 c) Nmero de Habitaciones (ROOMS)..................................................................................................................... 126 d) Prediccin Final .................................................................................................................................................. 127 6.4. MEDIDAS DE ERROR DE PREDICCION.......................................................................................................... 128 6.4.1. Error Cuadrtico Medio (Mean Squared Error, MSE).................................................................................. 128 6.4.2. Promedio del Error Absoluto (Mean Absolute Error, MAE) ......................................................................... 128 6.4.3. Promedio del Porcentaje de Error Absoluto (Mean Absolute Percentage Error, MAPE)............................. 128 6.4.4. Ejemplo de Clculo ........................................................................................................................................ 129 CAPTULO 7................................................................................................................................................................. 130 MODELOS ARIMA...................................................................................................................................................... 130 7.1. 9.2. 9.2.1. 9.2.2. 9.3. 9.3.1. 9.3.2. 9.3. 7.4. 9.4.1. 9.4.2. 9.4.3. 9.4.4. AUTOCORRELACIONES SIMPLES Y PARCIALES................................................................................ 130 PROCESOS AUTORREGRESIVOS (AR) ................................................................................................... 131 SIMULACION DE PROCESOS AR(1) ...................................................................................................... 132 ESTIMACION DE UN PROCESO AUTOREGRESIVO ............................................................................ 133 PROCESOS DE MEDIAS MOVILES .......................................................................................................... 134 SIMULACION DE PROCESOS MA(1) ..................................................................................................... 134 ESTIMACION DE UN PROCESO DE MEDIAS MOVILES...................................................................... 134 PROCESOS ARIMA..................................................................................................................................... 136 EL ENFOQUE DE BOX Y JENKINS ........................................................................................................... 138 PASO 1: IDENTIFICACIN ..................................................................................................................... 139 PASO 2: ESTIMACIN ............................................................................................................................. 140 PASO 3: VERIFICACIN / DIAGNSTICO ............................................................................................ 143 PASO 4: PREDICCIN............................................................................................................................. 144

CAPTULO 8................................................................................................................................................................. 147 ERROR EN LAS VARIABLES: INSTRUMENTOS................................................................................................. 147 8.1. VARIABLES INSTRUMENTALES.................................................................................................................... 147 8.2. ESTIMACIN CON INSTRUMENTOS EN SPSS ...................................................................................... 148 8.3. EL ESTIMADOR DE VARIABLES INSTRUMENTALES......................................................................... 150

iii

REFERENCIAS ............................................................................................................................................................ 151 ANEXO: DATOS UTILIZADOS EN EL LIBRO ....................................................................................................... 153

iv

CAPTULO 1 EL PROGRAMA EXCEL

1.1. ESTADISTICA DESCRIPTIVA CON EXCEL

Microsoft Excel ofrece un conjunto de herramientas para el anlisis de los datos (Herramientas para Anlisis) lo que permite efectuar anlisis estadstico de una manera simple. Algunas herramientas generan grficos adems de tablas de resultados. Para ver una lista de las herramientas de anlisis disponibles, elija 'Anlisis de Datos' en el men Herramientas. Si este comando no est en el men, en el men Herramientas, elija Complementos, y all seleccione Herramientas para Anlisis. Si no aparece la opcin Herramientas para Anlisis, necesita el CD de instalacin de Excel. Para usar el anlisis de datos, vaya ahora a Herramientas, y all seleccione 'Anlisis de Datos' (Herramientas / Anlisis de datos). Aparecer la lista de opciones en donde seleccionamos Estadstica Descriptiva:

En el cuadro de dilogo de Estadstica descriptiva, lo nico que s "obligatorio" suministrar son los datos a analizar (Rango de entrada) y el lugar en donde se desea escribir los resultados (Rango de salida).

Ejemplo. Se tienen datos de la cantidad de produccin (kg), capital ($)y de trabajo (horas) de 10 empresas:

Comenzaremos calculando estadstica de la serie 'capital'. El "Rango de entrada" es $B$1:$B$11, es decir seleccionando los ttulos como promera observacin, de modo que se debe activar la opcin 'Rtulos en la primera fila'. A continuacin debemos activar la seleccin del rango de salida, por ejemplo la celda $A$13, como se muestra acontinuacin:

El resultado es el siguiente:

CAPITAL Media Error tpico Mediana Moda Desviacin estndar Varianza de la muestra Curtosis Coeficiente de asimetra Rango Mnimo Mximo Suma Cuenta Mayor (2) Menor(2) Nivel de confianza(95,0%) 5,6 0,733333333 6 6 2,319003617 5,377777778 -1,11811742 -0,058802684 7 2 9 56 10 8 3 1,658915249

Nota: Muchos de estos resultados anteriores pueden obtenerse individualmente a travs del men Insertar/Funcin, y all ir dentro de las funciones estadsticas.

Media: Devuelve el promedio (media aritmtica) de los argumentos. PROMEDIO(nmero1;nmero2;...) Error tpico (de la media): (Desviacin estndar)/raiz(T) Mediana: Devuelve la mediana de los nmeros. La mediana es el nmero que se encuentra en medio de un conjunto de nmeros, es decir, la mitad de los nmeros es mayor que la mediana y la otra mitad es menor. MEDIANA(nmero1;nmero2; ...) Moda: Devuelve el valor que se repite con ms frecuencia en una matriz o rango de datos. Al igual que MEDIANA, MODA es una medida de posicin. Desviacin estndar: Calcula la desviacin estndar en funcin de un ejemplo. La desviacin estndar es la medida de la dispersin de los valores respecto a la media (valor promedio). DESVEST(nmero1; nmero2; ...) Varianza de la muestra: Calcula la varianza en funcin de una muestra (con n-1 g.l.). VAR(nmero1;nmero2; ...) Curtosis: Devuelve la curtosis de un conjunto de datos. La curtosis caracteriza la elevacin o el achatamiento relativos de una distribucin, comparada con la distribucin normal. Una curtosis positiva indica una distribucin relativamente elevada, mientras que una curtosis negativa indica una distribucin relativamente plana. CURTOSIS(nmero1;nmero2; ...) Coeficiente de asimetra: Devuelve la asimetra de una distribucin. Esta funcin caracteriza el grado de asimetra de una distribucin con respecto a su media. La asimetra positiva indica una distribucin unilateral que se extiende hacia valores ms positivos. La asimetra negativa indica una distribucin unilateral que se extiende hacia valores ms negativos. COEFICIENTE.ASIMETRIA(nmero1;nmero2; ...) Rango: MAX(Rango) MIN(Rango). Mnimo: Devuelve el valor mnimo de un conjunto de valores. MIN(nmero1;nmero2; ...) Mximo: Devuelve el valor mximo de un conjunto de valores. MAX(nmero1;nmero2; ...) Suma: La sumatora de las observaciones Cuenta: El nmero de observaciones (T) Mayor (2): Ksimo mayor. Devuelve el valor ksimo mayor de cada rango de datos en la tabla de resultados. En el cuadro, escriba el nmero que va a utilizarse para k. Si escribe 1, esta fila contendr el mximo del conjunto de datos. Menor (2): Ksimo menor. Devuelve el valor ksimo menor de cada rango de datos en la tabla de resultados. En el cuadro, escriba el nmero que va a utilizarse para k. Si escribe 1, esta fila contendr el mnimo del conjunto de datos. Nivel de confianza (95,0%): Nivel de confianza para la media. Devuelve el nivel de confianza de la media en la tabla de resultados. En el cuadro, escriba el nivel de confianza que desee utilizar. Por ejemplo, un valor de 95 % calcular el nivel de confianza de la media con un nivel de importancia del 5 %.

1.2. SESGO, CURTOSIS Y NORMALIDAD

Existen 4 formas comunes de estimar la normalidad: 1.2.3.4.Histograma de residuos Normal Probability Plot Anderson-Darling normality test (A2 stat) Jarque-Bera (JB) test of Normality (asinttico)

Por ahora estamos interesados en la prueba de Jarque Bera, la que tiene la siguiente specificacin:

S2 K2 a JB = T + 24 6

2 ( 2)

donde S es el coeficiente de Sesgo y K es el coeficiente de curtosis. Para una variable distribuda normalmente, S=0 y K=3. Luego, el test JB de normalidad es una prueba conjunta de si S=0 y K=3. Si el valor p es suficientemente bajo, se puede rechazar la hiptesis que la variable est normalmente distribuda. Ejemplo: Chi-Squared(2)= 1.061172 with Significance Level 0.58826017, donde Ho: Normalidad. Luego, no podemos rechazar en este caso la hiptesis de normalidad (la conclusin es no rechazar normalidad).

Las definiciones y pruebas estadsticas para el sesgo y la curtosis son las siguientes: a) Sesgo:

En Excel: =coeficiente.asimetria( ) La prueba estadstica de que el sesgo es cero se basa en una Normal, y es:

b) Curtosis:

En Excel: =curtosis( ) La prueba estadstica de que la curtosis es cero se basa en una Normal, y es:

Ejemplo: Siguiendo el ejemplo de la serie CAPITAL anterior mostramos el clculo de stas. Los resultados a obtener son los siguientes:
Observaciones Media Muestral Desv estandar Varianza Error est de la media Estadistico t Sesgo Curtosis Jarque Bera 10 5,6 2,319003617 5,377777778 0,733333333 7,636363636 Pruebas de Hipotesis Significancia a 1 cola -0,058802684 -0,064415113 0,948639697 -1,11811742 -0,488540664 0,62516693 0,526673995 0,526673995 0,768482877

Las frmulas usadas en cada caso se muestran a continuacin:

1.3. GRAFICOS DE PROBABILIDAD NORMAL

Los grficos de probabilidad normal (normal probability plot) son una tcnica grfica para valorar si los datos son o no aproximadamente normalmente distribuidos. Los datos son graficados contra una distrinucin normal terica de tal forma que los puntos deben formar aproximadamente una lnea recta. Las desviaciones de la lnea recta indican desviaciones de la normalidad. El grfico de probabilidad normal es un caso especial de los grficos de probabilidad. Existen varios tipos de grficos de probabilidad normal 1. Aqu nos referimos solamente al tipo ms simple de ellos: Percentiles vs Datos.

Los pasos para construir un grfico de probabilidad normal son: 1. 2. Las observaciones son rankeadas (ordenadas) de la menor a la mayor, x(1), x(2), . . ., x(n). Las observaciones ordenadas x(j) son graficadas contra su frecuencia acumulativa observada, tipicamente; j/(n + 1)) sobre un grfico con el eje Y apropiadamente escalado para la distribucin hipotetizada. Si la distribucin hipotetizada describe adecuadamente los datos, los puntos graficados se ubican aproximadamente sobre una lnea recta. Si los puntos se desvan significativamente de la linearecta, especialmente en las puntas, entonces la distribucin hipotetizada no es apropiada.

3.

Vease por ejemplo www.itl.nist.gov/div898/handbook/eda/section3/probplot.htm.

4.

Para valorar la cercana de los ountos a la lnea recta, la prueba del grosor de un lpiz se usa comunmente. Si todos los puntos se encuentran dentro del lapis imaginario, entonces la distribucin hipotetizada es probablemente la apropiada.

Ejemplo: Los siguientes datos representan el grosor de una hoja plstica, en micrones: 43, 52, 55, 47, 47, 49, 53, 56, 48, 48
Ordered data Rank order Cumulative Frequency (j) ( j/(n + 1)) 43 1 1/11 = .0909 47 2 2/11 = .1818 47 3 3/11 = .2727 48 4 4/11 = .3636 48 5 5/11 = .4545 49 6 6/11 = .5454 52 7 7/11 = .6363 53 8 8/11 = .7272 55 9 9/11 = .8181 56 10 10/11 = .9090

Los datos ordebados son graficados contra su respectiva frecuencia acumulada. Note como el eje Y es escalado tal que una lnea recta resultar para datos normales.

Basados en el grfico, parece que los datos se encuentran normalmente distribudos. Sin embargo se requieren otras pruebas estadsticas para concluir que el supuesto de normlidad es apropiado.

En Excel puede obtenerse este grfico en Herramientas / Analisis de Datos / Regresion / y all seleccionando la opcion Grafico de probabilidad normal. Para el caso de la serie 'Capital' del ejemplo que se ha estado analizando, se tiene el siguiente resutado a partir de Excel.

1.4. HISTOGRAMA
Un histograma es un grfico para la distribucin de una variable cuantitativa continua que representa frecuencias mediante el volumen de las reas. Un histograma consiste en un conjunto de rectngulos con (a): bases en el eje horizontal, centros en las marcas de clase y longitudes iguales a los tamaos de los intervalos de clase y (b): reas proporcionales a las frecuencias de clase. Si en la distribucin se toman clases de la misma longitud, las frecuencias son proporcionales a las alturas de los rectngulos del histograma ya que el rea se obtiene multiplicando la base por la altura por lo que queda similar a un diagrama de barras, solo que ahora las barras van una junto a otra por tratarse de una variable continua. En Excel, la herramienta para histogramas se encuentra en Herramientas / Anlisis de Datos / Histograma. Antes de ejecutarla se puede (es opcional) definir el 'Rango de Clases', a fin de definir las divisiones para cada rango del histograma. El 'Rango de Clases' son valores lmite que definen rangos de clase, los que debern estar en orden ascendente. Si se omite el rango de clase, Excel crear un conjunto de clases distribuidas uniformemente entre los valores mnimo y mximo de los datos. Ejemplo: En el ejemplo de la serie 'Capital' un histograma es obtenido de la siguiente forma:

Histograma
3,5 120,00%

100,00%

2,5 80,00%

Frecuencia

2 60,00% 1,5 Frecuencia % acumulado

40,00% 1

0,5

20,00%

0 2 4,333333333 Clase 6,666666667 y mayor...

0,00%

10

1.5. OPERACIONES CON ESCALARES Y MATRICES

Excel permite realizar operaciones matriciales con facilidad. En Excel, las frmulas que hacen referencia a matrices se encierran entre corchetes {}. Al trabajar con matrices en Excel hay que tener en cuenta lo siguiente: No se puede cambiar el contenido de las celdas que componen la matriz No se puede eliminar o mover celdas que componen la matriz No se puede insertar nuevas celdas en el rango que compone la matriz

a) Crear una frmula matricial

Una frmula matricial es una frmula que lleva a cabo varios clculos en uno o ms conjuntos de valores y devuelve un nico resultado o varios resultados. Las frmulas matriciales se encierran entre llaves { } y se especifican presionando CTRL+MAYS+ENTRAR. Cuando se introduce una frmula matricial Microsoft Excel inserta de forma automtica la frmula entre llaves ({}).

b) Calcular un nico resultado

Puede utilizar una frmula matricial para realizar varios clculos que generen un nico resultado. Este tipo de frmula matricial permite simplificar un modelo de hoja de clculo sustituyendo varias frmulas distintas por una sola frmula matricial. Por ejemplo, la siguiente calcula el valor total de una matriz de precios de cotizacin y acciones, sin utilizar una fila de celdas para calcular y mostrar los valores individuales de cada cotizacin.

- Haga clic en la celda en que desee introducir la frmula matricial (en B5). - Escriba la frmula matricial. Cuando se escribe la frmula ={SUMA(B2:C2*B3:C3)} como frmula matricial, se multiplica las acciones y el precio correspondiente a cada cotizacin, y luego se suma los resultados de estos clculos. - Presione CTRL+MAYS+ENTRAR.

c) Calcular varios resultados

- Seleccione el rango de celdas en que desee introducir la frmula matricial. - Escriba la frmula matricial. Por ejemplo, dada un serie de tres cifras de ventas (columna B) para una serie de tres meses (columna A), la funcin TENDENCIA determinar los valores de la lnea recta para las cifras de ventas. Para mostrar todos los resultados de la frmula, se escribe en tres celdas en la columna C (C1:C3). Al introducir la frmula =TENDENCIA(B1:B3,A1:A3) como frmula matricial, generar tres resultados separados (22196, 17079 y 11962) basados en las tres cifras de ventas y en los tres meses.

11

Presione CTRL+MAYS+ENTRAR.

d) Operaciones Matriciales
Existen una serie de operaciones matriciales en Excel, siendo las ms usadas las siguientes: MDETERM Devuelve la matriz determinante de una matriz MINVERSA Devuelve la matriz inversa de una matriz MMULT Devuelve la matriz producto de dos matrices Vemos un ejemplo para el caso de una multiplicacin. - Seleccione el rango de celdas en que desee introducir la frmula matricial. Para esto debe calcularse la dimensin resultante de la operacin matricial. Por ejemplo, si se multiplican dos matrices de dimensiones 2x3, y 3x4 respectivamente, las celdas de la formula matricial que deben seleccionarse es de dimensin 2x4.

Presione CTRL+MAYS+ENTRAR. Con esto se tiene la matriz resultante, dada por:

19 29

28 42

44 66

46 69

12

1.6. DISTRIBUCIONES DE PROBABILIDAD

En econometra, para efectos de inferencia acerca de los coeficientes estimados, es necesario trabajar con un nmero de distribuciones de probabilidad. A continuacin recordamos las ms importantes: la distribucin Normal, Chi-cuadrado, t y F. La siguiente es la funcin de densidad normal para una variable aleatoria X con una distribucin normal con media y varianzas 2:

f (x / , 2 ) =

1 1 SCErrt EXP 2 2 2

donde SCErr representa la suma cuadrada de errores, es decir de desviaciones respecto a la media. Cuando se tienen n variables aleatorias normales Z distribuidas independiente e idnticamente, entonces la distribucin conjunta multivariada con media y matriz de covarianza 2 es:

g ( x) = 2 n / 2

1/ 2

1 EXP ( x )' 1 ( x ) 2

Si Z es una variable aleatoria normal estndar ( Z

N (0,1) ), entonces puede mostrarse que:

1)

t (r ) =

2 (r )
r

Es decir, una variable aleatoria normal estndar dividida por la raz cuadrada de una variable aleatoria chi cuadrada con r grados de libertad dividida por r, se distribuye como una t con r grados de libertad (gl).

2 (r1)
2)

F (r1, r 2) =

r1 ( r 2)
2

r2
Es decir, una variable F con r1 gl en el numerador y r2 gl en el denominador corresponde a una chi-cuadrada con r1 gl dividida por r1, dividida por otra chi-cuadrada con r2 gl dividida por r2. 3)

Z2

(1)

Es decir, una variable aleatoria normal estndar al cuadrado se distribuye chi-cuadrado con 1 grado de libertad. 4)
2

Z 12 + Z 22 + ... + Z n2

( n)

No confundir el smbolo de la matriz de covarianza , con el operador de sumatorias.

13

Es decir, la suma de n variables aleatorias normales estndar al cuadrado se distribuye chicuadrado con n grados de libertad. Este resultado puede generalizarse cuando se trata de variables normales no estandarizadas

X N ( , ) :

( X )' 1 ( X ) 2 (n)

14

1.7. POTENCIA DE UN TEST

Hay dos formas en que un test nos puede llevar a cometer un error: Error del tipo I: Rechazar Ho cuando es verdadera, y Error del tipo II: No rechazar Ho cuando es Falsa.

El punto es que en la prctica no es posible hacer ambos errores arbitrariamente pequeos, pues reduciendo la probabilidad de cometer un error aumenta la probabilidad de cometer el otro error. Sin embargo es ms grave el Error del tipo I que el Error del tipo II: es peor condenar a una persona inocente que dejar libre a un culpable, y por este motivo se trata que la magnitud del error del tipo I sea fijado usualmente a un valor pequeo, es decir queda bajo control del analista: Error tipo I : Rechazar Ho cuando es verdadera (gravsimo) Error tipo II: No rechazar Ho cuando es Falsa (grave) P(Error tipo I) = = Tamao del test (size) o nivel de significancia. P(Error tipo II) =

La forma de medir la calidad de un test estadstico es a travs de su potencia. La Potencia de un test es la probabilidad de que correctamente rechacemos Ho cuando es falsa (la probabilidad de detectar que Ho es falsa).

Potencia = 1 = 1 P ( Error tipo II )

Un test perfecto tendr una potencia de 1.0, pues siempre llevar a una decisin correcta. Esto puede lograrse, para un nivel dado de significancia, cuando el tamao de la muestra aumenta (a infinito). As, la evaluacin de un buen test debe hacerse en base a su funcin de potencia. En general el procedimiento ptimo es seleccionar con anticipacin el tamao mximo del error del tipo I que podemos aceptar, y despus se intenta construir una prueba que minimice el tamao del error del tipo II. Cuando Ho es falsa, la potencia puede ser calculada asumiendo varios valores crticos para el parmetro desconocido.

15

1.7.1. APLICACIN: SELECCIN ENTRE TESTS ALTERNATIVOS

En el siguiente ejemplo =1.4 (desviacin estndar), T=25 (nmero de observaciones); y se desea probar la hiptesis Ho:=10 versus H1:>10. Asumiendo que se desea un tamao de error () de hasta 0.06, escogeremos entre 3 distintas regiones crticas a una cola, sabiendo que las medias muestrales son: Prueba A: 10.65, Prueba B: 10.45 y Prueba C: 10.25. Para las diferentes medias muestrales verificamos el cumplimiento del tamao del test requerido: P(Error Tipo I)==Tamao del test P[z> (10.65-10)/0.28 3]=P[z>2.32]=0.0102 P[z> (10.45-10)/0.28]=P[z>1.61]=0.0537 P[z> (10.25-10)/0.28]=P[z>0.89]=0.1867 (no cumple)

A B C

Repitiendo para diferentes valores supuestos de calculamos la potencia del test: =10.4 =10.2 =11.0 Potencia Potencia Potencia 0.19 0.05 0.89 0.43 0.98 0.19

A B

P(Error Tipo II) con =10.4 P[z> (10.65-10.4)/0.28]=P[z0.89]=0.8133 P[z> (10.45-10.4)/0.28]=P[z0.18]=0.5714

Luego: Al aumentar el tamao del error del tipo I de 0.0102 a 0.0537, el error del tipo II disminuye de 0.8133 a 0.5714, y viceversa (no es posible eliminar ambos errores). Puesto que puede tolerarse un error del tipo I de 0.06, entonces la prueba B es mejor que la A, debido a que su potencia es mayor para distintos valores de . El anlisis de potencia permite determinar el tamao muestral apropiado para cumplir ciertos niveles predefinidos de y .

Recuerde que el error estndar para la media en este caso se 1.4/(25)**0.5=0.28

16

1.8. NIVEL DE SIGNIFICANCIA MARGINAL: CDF O P-VALUE

Hemos dicho anteriormente que la magnitud del error del tipo I queda bajo el control del analista, quien lo fija en un valor relativamente pequeo, usualmente 5%. As, la probabilidad de cometer un error del tipo I es justamente el Nivel de Significancia Marginal (NSM). Decimos que un resultado es estadsticamente significativo cuando el NSM es menor que el nivel deseado (generalmente 5%), es decir se tiene suficiente evidencia para rechazar Ho. Si es mayor, entonces es estadsticamente no significativo (no podemos rechazar Ho). Es decir, bajos niveles de P llevan a rechazar Ho.

1.8.1. Distribucin Normal

Excel entrega los valores crticos de la normal acumulando la probabilidad de izquierda a derecha y a 1 cola (ej. si decimos al 5%, asignar 5% en 1 cola, la cola izquerda).
Ejemplo: El valor crtico a 2 colas al 95% es:

=DISTR.NORM.ESTAND.INV(0,975) = 1,95996

Ejemplo (significancia): Si el valor Z calculado es 2,0, entonces la significancia (p-value) es: =DISTR.NORM.ESTAND(2) = 0,97724987 Sin embargo en este caso es ms conveniente leer la significancia como =1-DISTR.NORM.ESTAND(2) = DISTR.NORM.ESTAND(-2) = 0,0228. Puesto que 0,0228 es < que 5%, se rechaza Ho a 2 colas y tambin a 1 cola.

17

1.8.2. Distribucin t
Excel solo puede entregar los valores crticos de la t de la derecha (los positivos), y lo hace acumulando la probabilidad de derecha a izquierda a 2 colas (ej. si decimos al 5%, distribuir 2,5% en cada cola). DISTR.T.INV(probabilidad de 2 colas;grados_de_libertad) Ejemplo: los valores crticos de la t con 4 gl, y al 95% a 2 colas son: -2,776 y 2,776 =DISTR.T.INV(0,05;4) = 2,776 Nota: Puede obtenerse un valor t crtico de 1 cola reemplazando p por 2*probabilidad.

Ejemplo (significancia): Si el valor t calculado es 3,69, con 4 gl, y al 95% a 2 colas, entonces la significancia (p-value) es: =DISTR.T(3,69;4;2) = 0,02101873 lo que implica que Ho es rechazado al 2,1% (a 2 colas), y tambin al 5%. Es importante notar que la funcin =DISTR.T(.) no acepta argumentos negativos, es decir, solamente puede buscarse la significancia en el lado derecho de la distribucin.

18

1.8.3. Distribucin F
Excel entrega los valores crticos de la F acumulando la probabilidad de derecha a izquierda y a 1 cola. DISTR.F.INV(probabilidad de 1 cola;gl Num;gl Denom) Ejemplo: El valor crtico de una F(1,4) a 1 cola al 95% es: =DISTR.F.INV(0,05;1;4) = 7,70864742

Ejemplo (significancia): Si el valor F(3,30) calculado es 3,0, entonces la significancia (p-value) a 1 cola es: =DISTR.F(3;3;30) = 0,04606 lo que implica que Ho es rechazado al 5% a 1 cola.

19

1.8.4. Distribucin Chi cuadrado

Excel entrega los valores crticos de la Chi acumulando la probabilidad de derecha a izquierda y a 1 cola. PRUEBA.CHI.INV(probabilidad;grados_de_libertad) Ejemplo: El valor crtico de la Chi cuadrado con 10 grados de libertad a 1 cola, al 95% es: =PRUEBA.CHI.INV(0,05; 10) = 18,307

20

1.9. PRUEBAS SOBRE LA MEDIA EN EXCEL

1.9.1. Inferencia respecto a una Media
Ejemplo: Se tiene informacin de produccin de 10 empresas. Un intervalo de confianza al 95% para la media de la produccin en Excel se desarrolla como sigue:

Sabemos que se trata de 9 grados de libertad, por lo que: a) el estadstico t es = DISTR.T.INV(0,05;9) = 2,262 b) el error tpico de la media es = desvest()/Raiz(10) = 20,29477/Raiz(10) = 6,41777 Y el intervalo viene dado por = (Media +/- 2,262*6,41777) = (88,9 +/- 14,518). Es decir, (74,382 ; 103,418). En Excel, aparece en la ltima fila:
PRODUCCION Media Error tpico Mediana Moda Desviacin estndar Varianza de la muestra Curtosis Coeficiente de asimetra Rango Mnimo Mximo Suma Cuenta Nivel de confianza(95,0%) 88,9 6,417770468 90 #N/A 20,29477218 411,8777778 -1,230556217 -0,154506756 61 57 118 889 10 14,5180054

Note que al aumentar la confianza, se ampla el Intervalo de Confianza (verifquelo).

21

1.9.2. Diferencia de dos Medias (Univariado)

Para comparar 2 grupos de datos, se tienen bsicamente dos enfoques: - Datos son Normales: Test t - Datos solo tienen una distribucin ordinal (no paramtrica): Test U y Test de Wilcoxon) A continuacin nos referiremos solamente a las comparaciones del primer tipo. El estadstico:

Z =

X Y ( 1 2 )

2 1

2 2

N (0,1)

Ejemplo: El anlisis de una muestra de m = 20 personas arroj una edad media de 29.8 aos. Una segunda muestra de n = 25 tuvo un promedio de 34.7 aos. Las distribuciones de la edad son normales con

1 = 4.0 y 2 = 5.0. Son las edades diferentes: Ho:1=2? Realice el test con un = 0.01

Solucin: Ho: 1 - 2, test de dos colas: Zona de rechazo: +/- 2.58

Z =

29.8 34.7 4.9 = 3.65 16 25 1.3416 + 20 25

se rechaza Ho las edades son diferentes.

IC es (-4.9 +/- 2.58*1.3416) = (-4.9 - 3.46 , -4.9 + 3.46) = (-8.36 , -1.43) puesto que 0 se ubica fuera del IC, la diferencia de edades es significativamente diferente de cero (los promedios de cada grupo son diferentes). Ejemplo: Se realizaron test de resistencia en dos tipos de alambres:
Tamao de la muestra M = 129 N = 129 Media

Kg mm 2

Desviacin Estndar S1 = 1.3 S2 = 2.0

X = 107.6 Y = 123.6

1 - 2 = 107.6 123.6 1.96

(1.3)2
129

(2.0)2
129

= -16 0.4116 = (-16.4116; -15.5884)

Conclusiones:

2 > 1. 2 es aproximadamente 16

Kg mm 2

ms grande que 1

22

Problema de Behrens-Fisher La solucin ms simple al caso de varianzas desiguales es llamada la aproximacin a la t de Welch, la que corrige los grados de libertad de la t como sigue:
2 s12 s 2 + n n gl = 12 2 2 2 s2 s12 n 1 + n2 n1 1 n2 1 2

El resultado puede ser no entero, y entonces se lo aproxima al entero ms cercano.

1.9.3. Inferencia En Excel

Ejemplo: Supngase que se desea comparar las medias de salario inicial de los dos grupos de trabajadores (474 observaciones) definidos por la variable sexo (h=hombres y m=mujeres). Employee data.xls a) Varianzas Conocidas: Prueba Z para medias de dos muestras. Debe ingresarse las varianzas conocidas. b) Varianzas Desconocidas. Prueba t para dos muestras suponiendo varianzas iguales. (Muestras Independientes)
Prueba t para dos muestras suponiendo varianzas iguales Variable 1 13091,9676 8617742,74 216 49131619 0 472 -11,1523866 4,2491E-26 1,64808834 8,4981E-26 1,96500259 Variable 2 20301,3953 83024550,6 258

Media Varianza Observaciones Varianza agrupada Diferencia hipottica de las medias Grados de libertad Estadstico t P(T<=t) una cola Valor crtico de t (una cola) P(T<=t) dos colas Valor crtico de t (dos colas)

La prueba t arroja un valor de 11,152 para 472 grados de libertad. La significancia estadstica a dos colas es prcticamente cero, y se rechaza la igualdad de medias de salarios. La diferencia de las medias es 7.209,43 y el error estandar de la diferencia es 646,45. Un intervalo de confianza para la diferencia de media es (5.939,16 ; 8.479,70).

23

c) Varianzas Desconocidas. Prueba t para dos muestras suponiendo varianzas desiguales. (Muestras Independientes)

Prueba t para dos muestras suponiendo varianzas desiguales Variable 1 13091,9676 8617742,74 216 0 319 -11,9874833 6,9028E-28 1,64964432 1,3806E-27 1,96742832 Variable 2 20301,3953 83024550,6 258

Media Varianza Observaciones Diferencia hipottica de las medias Grados de libertad Estadstico t P(T<=t) una cola Valor crtico de t (una cola) P(T<=t) dos colas Valor crtico de t (dos colas)

La prueba t arroja un valor de 11,987 para 318,818 grados de libertad. La significancia estadstica a dos colas es prcticamente cero. La diferencia de las medias es 7.209,43 y el error estandar de la diferencia es 601,41. Un intervalo de confianza para la diferencia de media es (6.026,19 ; 8.392,67).

t=

20301,4 13091,97 9111 2935 + 258 216

2 2

7209.4 = 11.987 601.4

vs =distr.t.inv(0,05;319)=1.967, se rechaza la igualdad de

medias de salarios. El IC es: 7209,43 +/- 1.96*601,412

24

d) Varianzas Desconocidas. Prueba t para medias de dos muestras emparejadas (relacionadas o pareadas). En este caso los rangos de las variables deben contener el mismo nmero de observaciones. Cuando no hay completa independencia entre los pares de las muestras, posiblemente debido a un origen comn, por ejemplo el caso de el ingreso y el tamao de las casa de las familias. Lo que se hace es trabajar con las diferencias entre cada par de observaciones, de modo que el procedimiento puede ser llamado una prueba t de una sola muestra como vimos anteriormente. Ejemplo: Comparar las medias de las series Salario Actual y Salario Inicial.
Prueba t para medias de dos muestras emparejadas Variable 1 34419,5675 291578214 474 0,88011747 0 473 35,0359608 8,051E-134 1,64808148 1,61E-133 1,96499192 Variable 2 17016,0865 61946945 474

Media Varianza Observaciones Coeficiente de correlacin de Pearson Diferencia hipottica de las medias Grados de libertad Estadstico t P(T<=t) una cola Valor crtico de t (una cola) P(T<=t) dos colas Valor crtico de t (dos colas)

La media es 17.403,48, la desviacin estndar es 10.814,62, y el error estndar de la media es 496,73. El intervalo de confianza es (16.427,41 ; 18.379,56). El estadstico t es de 35,036 para 473 grados de libertad, lo que arroja una significancia a dos colas cercana a cero.

25

1.10. SERIES DE DATOS

Las Series son los datos ms importantes en cualquier investigacin, pues contienen la informacin que ha sido recopilada acerca de las variables de inters. Son esencialmente arreglos de elementos de una dimensin, como los vectores, pero tienen una estructura mucho ms compleja, puesto que, por ejemplo, pueden tener elementos definidos y no definidos. Por ejemplo, en una serie Consumo Nacional Anual es posible que no dispongamos del dato de un ao en particular, pero an as podemos construir la serie. Operacionalmente las series siempre tienen la estructura de una matriz rectangular, en que las columnas contienen las variables, y las filas representan los casos o sujetos, y adems no hay elementos vacos. En econometra las series de datos pueden ser de 3 tipos: corte transversal (cross section), series de tiempo (time series) y del tipo panel o combinadas (panel data). tiempo. Las series de corte transversal son observaciones de determinadas variables en un momento del

Ejemplo: Las series Capital y Reservas (en millones de pesos) de los bancos nacionales, en enero de 1990, constituyen una serie de corte transversal. Banco 1 2 3 4 5 6 7 Capital y Reservas 3.661 5.590 3.047 9.296 6.604 6.908 8.122

Las series de tiempo estn constituidas por observaciones de un nmero de variables a travs del tiempo (diarias, mensuales, anuales, etc.). Ejemplo: La serie Producto Interno Bruto anual de Chile en $ reales de 1986 entre 1972 y 1976 es una serie de tiempo. AO 1972 1973 1974 1975 1976 PIB ($ reales 1986) 2.659.800 2.544.814 1.864.085 2.341.477 2.329.343

Los datos de panel estn constituidos por combinaciones de datos de corte transversal y series de tiempo.

26

Ejemplo: La siguiente tabla muestra 3 series de colocaciones de 3 bancos entre enero y julio de 1990, por lo que se trata de un panel de datos. Fecha 90.01 90.02 90.03 90.04 90.05 90.06 90.07 Colocaciones Colocaciones Colocaciones Banco 1 Banco 2 Banco 3 5132 2525 507 4704 3223 518 4941 2200 517 4806 3012 527 4943 2553 535 4566 3101 541 4167 3176 550

Hemos sealado que los datos economtricos pueden ser de 3 tipos: corte transversal, series de tiempo y datos de panel. Excel no est diseado especialmente para trabajar con datos de panel.

27

CAPTULO 2 EL MODELO DE REGRESIN LINEAL

2.1. INTRODUCCIN: QUE ES LA ECONOMETRA?

Diccionarios especializados definen econometra como la aplicacin de tcnicas matemticas y estadsticas a la economa en el estudio de problemas, anlisis de datos, el desarrollo y la prueba de teoras y modelos." En efecto, cuando un economista plantea un determinado modelo en el cual existe una variable dependiente de otras variables explicativas a travs de una determinada especificacin funcional, esta es susceptible de ser estimada con datos de la realidad. En casos simples, el modelo no requiere estar especificado demasiado formalmente, pues en muchos casos es aceptada cierta relacin ente variables, por ejemplo Ventas-Publicidad, Ingreso-Consumo, Nivel de tasas de inters-Inversin, etctera. Esto es en breve lo que se entiende por econometra. As como iremos viendo a travs de este libro, los tres principales usos de la econometra incluyen: 1) 2) 3) Medicin de Parmetros (estimacin de modelos) Prueba de Hiptesis Prediccin

2.2. ESTIMACIN DE MODELOS DE REGRESIN

El anlisis de regresin estudia la relacin de dependencia de una variable dependiente en una o ms variables explicativas, con el objetivo de estimar y/o predecir resultados promedio o poblacionales de la primera, en trminos de valores conocidos o fijos (en muestras repetidas) de las ltimas. El aspecto comn de todos los modelos de regresin es entonces la existencia de variables dependientes (Y) que son explicadas por una serie de variables independientes (Xs). De todos los modelos de regresin el ms comn es del tipo lineal mltple (uniecuacional), en el cual Y es funcin lineal de las diferentes Xs. Como veremos, esta especificacin posee una serie de ventajas respecto, por ejemplo, a los modelos no lineales. Ntese tambin que existen diferencias entre el anlisis de regresin y el de correlacin, pues la primera de ellas asume un tratamiento asimtrico de las variables (separndolas en dependientes e independientes) y asumiendo un comportamiento aleatorio (estocstico) de la variable dependiente. En el anlisis de correlacin las variables tienen un tratamiento simtrico (no existe distincin entre variables dependientes e independientes).

28

Los modelos economtricos pueden ser lineales o no lineales en los parmetros 4. Son lineales cuando la variable explicada (dependiente) puede ser escrita como una combinacin lineal de las variables explicativas (independientes). Por ahora trabajaremos solamente con modelos lineales. Ejemplo: Modelo Lineal:

Yt = 0 + 1Yt 1 + 2 X t + t

;* es un modelo lineal en los parmetros. Los

parmetros a estimar o incgnitas son los coeficientes , mientras que las variables explicativas son X e Y rezagada. La variable explicada o endgena es Y. Ejemplo: Modelo no Lineal:

Yt = 0 + 1Yt 1 + 22 X t + t

;* es un modelo no lineal en los parmetros, pues

hay un coeficiente que se encuentra al cuadrado, y no hay forma de eliminar ese exponente sin afectar la linealidad de los restantes parmetros. La segunda clasificacin importante es la de modelos de regresin simples o mltiples, de acuerdo al nmero de variables que explican a la variable dependiente. Cuando solamente existe una variable explicativa se llama a ste un modelo de regresin simple y cuando son varias se le llama modelo de regresin mltiple. Ejemplo:

VENTAS t = 0 + 1 PUBLICIDADt + t

;* es un modelo de regresin simple:

La relacin lineal entre las ventas (y) y los gastos en publicidad (x) Ejemplo:

CONSUMOt = 0 + 1 INGRESOS t + 2 ACTIVOS t + 3TAMAOt + t

;* es

un modelo de Regresin Mltiple. La relacin lineal entre el gasto en consumo de las familias (y) en funcin del ingreso (x1), los activos financieros de la familia (x2) y del tamao de la familia (x3).

2.2.1. EL MTODO DE MNIMOS CUADRADOS

Supongamos que disponemos de informacin de Ingreso (variable exgena) y de Consumo (variable endgena) de 20 familias en un determinado periodo (ver datos en archivo 'Tabla 04.xls'). Esta informacin es mostrada en el siguiente grfico (scatter).

La no linealidad se refiere a los parmetros, puesto que la no linealidad de las variables consiste simplemente en una transformacin de stas.

29

Relacion Ingreso-Consumo 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10,0 5,0 0,0 0,0 10,0 20,0 Ingreso 30,0 40,0 50,0

Al obtener la informacin real, esta no se ajustar exactamente al modelo (que suponemos en este caso es lineal), pues algunos puntos se ubican sobre y otros por debajo de la recta. Las observaciones parecen una nube de puntos, y nuestro objetivo es determinar el mejor ajuste a la lnea, lo que implica estimar el intercepto y la pendiente de la recta de mejor ajuste a la nube de puntos. Puesto que existe una desviacin o error entre cada valor observado de Y y cada valor predicho por la recta

( Y ), entonces el mejor ajuste ser el que minimice tales errores 5.

Puesto que habr errores positivos y negativos, una posibilidad es encontrar la recta ptima (es decir el parmetro de intercepto y pendiente) minimizando la suma cuadrara de los errores (SCErr), procedimiento llamado Mnimos Cuadrados Ordinarios. Estos parmetros de intercepto y pendiente son llamados tambin parmetros de posicin. Es conveniente suponer que Y es una variable aleatoria, es decir las observaciones de Y son sucesos observados en un experimento, y que stos tienen alguna distribucin como se muestra a continuacin:

Consumo

Variable endgena Y

Valores posibles de Y dado un valor de X Y=a+bX

Variable Exogena X

Se agrega un trmino de Error (e) pues la relacin entre X e Y es estocstica, lo que se puede deber a: - Elementos impredecibles (aleatorios) del comportamiento humano. - Gran nmero de variables omitidas, algunas no cuantificables. - Errores de medicin en y.

30

As, si efectivamente la relacin subyacente es lineal, uno esperara que a travs de repeticiones sucesivas de Y (experimentos repetidos) se obtendra observaciones con frecuencias como las descritas en cada distribucin de la ilustracin, de modo que el error esperado de cada observacin sea cero. Un supuesto importante en esta parte es que si bien Y y X son observables, X est fijo es decir es una variable completamente definida por el investigador. Por el contrario Y es estocstico, producto que existe el error en el modelo, y este error es estocstico, efecto que se transmite a Y.

2.2.2. IMPLEMENTACIN DE MCO

Hemos dicho que un modelo del tipo lineal simple contiene una sola variable explicativa (X). La especificacin general es un modelo lineal mltiple con muchas variables explicativas. Considerando todas las observaciones (supongamos que se trata de T observaciones disponibles), esta relacin puede escribirse entonces de un modo matricial como sigue:

YTx1 = X TxK Kx1 + Tx1

es decir:

Y1 Y 2 Y = . . YT

1 1 . X= . 1

X X X X
11 21

12 22

. .
T1

. .
T2

X X

. . . . .

. . . . .

X X
ik

. . XTk

2k

0 1 = . . k

1 2 = . . T

donde Y es el vector de variables explicadas por el modelo, X es una matriz de valores conocidos de variables explicatorias fijas o no estocsticas 6, es un vector tal que (X,) es una secuencia de vectores aleatorios independientes 7, y es un vector de K parmetros desconocidos. Para efectos de notacin matricial, el primer subndice de X indica el nmero de la observacin y el segundo identifica la variable. El mtodo de mnimos cuadrados (MCO) para encontrar los coeficientes que proporcionan el mejor ajuste consiste en minimizar la suma cuadrada de errores, S. Esta suma cuadrada de errores resulta ms sencilla de expresar en trminos matriciales como sigue: Expresemos el vector de errores como la siguiente diferencia:

= ( y X )
luego, la suma cuadrada de errores es:

6 7

Ms adelante veremos que este supuesto de X fijas puede ser levantado. El caso en que X contiene algn tipo de informacin acerca del valor esperado en el error, se produce sesgo e inconsistencia. Otros supuestos relevantes se relacionan con la necesidad de que las varianzas de los errores estn uniformemente acotadas y que la matriz promedio de covarianza de los regresores sea no singular.

31

S = ( y X )' ( y X ) = ( y ' ' X ' )( y X ) = y ' y ' X ' y y ' X + ' X ' X = y ' y 2 ' X ' y + ' X ' X
El objetivo de MCO es encontrar el valor del vector de coeficientes que minimice S, para lo cual debe derivarse S respecto a b (el estimador de MCO), es decir:

S = 2 X ' y + 2 X ' X = 0 X ' Xb = X ' y b = ( X ' X ) 1 X ' y

Luego, el estimador de MCO de es b y viene dado por:

b = ( X ' X ) 1 X ' y
que es un vector aleatorio puesto que, como se ve, es una funcin lineal de Y. Ntese que b tiene dimensin Kx1, de modo que para el caso de un modelo lineal simple, K=2, y el elemento (1,1) de b ser el intercepto, y el elemento (2,1) ser la pendiente. As hemos mostrado que el estimador de MCO de los coeficientes de regresin (b) viene dado por el producto de la matriz X y del vector Y. Luego, el procedimiento para calcular b es meramente matemtico.

32

2.3. PRUEBA DE HIPTESIS

2.3.2. LA DISTRIBUCIN DE b Y SUS PROPIEDADES
Hemos sealado que b (el estimador de ) es tambin una variable aleatoria, de modo que si se conoce su distribucin seremos capaces de hacer inferencias de stos, tales como intervalos de confianza y pruebas de hiptesis. Veamos entonces la distribucin del estimador b, en cuanto a su valor esperado y su varianza. Puede mostrarse que el valor esperado y la varianza de b vienen dadas respectivamente por 8:

E (b) = + ( X ' X ) 1 X ' E ( ) V (b) = E [(b )(b )'] = ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1
donde E() corresponde a la matriz de varianzas y covarianzas de los errores. La matriz de varianzas y covarianzas de los coeficientes es cuadrada y simtrica de dimensiones KxK, es decir:

Cov (b1 , b2 ) Var (b1 ) Cov (b , b ) Var (b2 ) 2 1 E [(b )(b )'] =

Var (bk )

donde los elementos de la diagonal son las varianzas de cada coeficiente, los que se encuentran fuera de la diagonal son las covarianzas. As, b tiene la siguiente distribucin general 9:

b + ( X ' X ) 1 X ' E ( ) , ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

Ntese tambin que el comportamiento de los errores (), es decir la matriz de varianzas y covarianzas de los errores, E(), tiene gran importancia en la esperanza y la varianza de b. En efecto, para que b sea un estimador insesgado de (es decir E(b)=) se requiere que XE()=0, es decir que los errores sean independientes de las variables explicativas X, lo que se lograra siempre en el caso que X fuera fija, y tambin en algunos casos cuando X es estocstica (vase regresores estocsticos). Respecto a la varianza de b, cuando E()=2I, lo que significa que los errores estn distribuidos independiente y constantemente, V(b) es mnima, es decir, el estimador b es eficiente (de varianza mnima), y en este caso la varianza de b viene dada por:

V (b) = ( X ' X ) 1 X ' 2 X ( X ' X ) 1 = 2 ( X ' X ) 1

Es decir:

Vase ecuacin 5.6.8.a) en pgina 201 de Judge et al. (1988). Note que no especificamos an, pues no lo requerimos, la distribucin especfica de b, es decir si por ejemplo se trata de una distribucin Normal o no.
9

33

b , 2 ( X ' X ) 1

Donde la matriz X' tiene dimensin KxT, X tiene dimensin TxK, (X'X)-1 es una matriz inversa simtrica de dimensin KxK y 2 es un escalar. Teorema de Gauss-Markov As, bajo condiciones ideales (errores bien comportados) el estimador lineal de MCO es insesgado y eficiente. Esto es resumido por el Teorema de Gauss-Markov, en cuanto a que puede mostrarse10 que b es MELI, es decir, es el mejor estimador insesgado de entre la clase de los estimadores lineales de . Para entender la importancia del Teorema de Gauss-Markov debemos notar primero que b es un estimador lineal, en vista que puede escribirse como una combinacin lineal de la variable dependiente Y, y que no se requiere normalidad de los errores (ms adelante tomaremos este supuesto, y como resultado, la variable Y transmite sus propiedades aleatorias (estocsticas) al estimador b). Ntese que este teorema no dice que b son los mehjores de todos los posibles estimadores. Esto pues existen varias clases de estimadores lineales que podran usarse para estimar los parmetros de intercepto y pendiente del modelo, y una porcin de estos incluso ser insesgados. Sin embargo, b tiene la propiedad adicional que tiene una varianza menor que todos los estimadores lineales que sean insesgados, lo que lo convierte en MELI, es decir el mejor estimador lineal insesgado de entre todas las clases de estimadores lineales (estimador de varianza mnima). Para que el teorema sea verdadero deben cumplirse los primeros 5 supuestos que siguen: 1. 2. 3. 4. 5. 6. Modelo de Regresin Lineal Error tiene media cero (el mtodo de MCO asegura este resultado) El trmino de error tiene varianza constante para todas las observaciones (homocedasticidad) Los trminos de error son estadsticamente independientes entre s (no autocorrelacin serial) Las X son variables no estocsticas, o alternativamente las X no estn correlacionadas con el trmino de error (ambas son ortogonales): Cov(X,e) = E(Xe) = 0 (Optional) Error tiene una distribucin normal: E~N(0, 2)

Errores bien comportados en un modelo de regresin lineal se refiere a los supuestos 3), 4) y 5). A continuacin explicams esto con mayor detalle.

2.3.3. LA MATRIZ DE COVARIANZAS DE LOS ERRORES

La matriz de varianzas y covarianzas de los errores tiene la siguiente forma:

1 1 1 2 E [ '] = E 2 1 ...

Cov( 1 2 ) V ( 1 ) Cov( ) 2 1 = ... ... ... ... TT V ( T ) ...

donde los elementos de la diagonal representan la varianza de cada error, y los elementos fuera de la diagonal son las covarianzas respectivas entre errores. Puesto que la covarianza entre el error 4 y el error 6 es la misma que la covarianza entre el error 6 y el error 4, entonces sta matriz es simtrica y cuadrada de dimensin TxT. Esta matriz no es posible de observar ni estimar completamente con los datos, por la sencilla razn de que existen solamente T observaciones o grados de libertad inicialmente, y E() contiene
10

Vase seccin 5.7 en Judge et al.

34

T(T+1)/2 incgnitas 11. Por este motivo deben hacerse supuestos simples acerca de su comportamiento, y el ms sencillo es asumir que los errores estn idealmente bien comportados, lo que quiere decir que stos errores se distribuyen independiente e idnticamente. Veamos esto con algn detalle. Cuando los errores se distribuyen idnticamente significa que tienen igual varianza (sabemos que tienen media cero). En econometra a esta propiedad se le llama homocedasticidad, o inexistencia de heterocedasticidad. Esto significa que la matriz de varianzas y covarianzas de los errores debe tener a lo largo de toda su diagonal el mismo elemento, es decir una constante, reflejando que la varianza del error de cada observacin es el mismo para las T observaciones. Cuando los errores se distribuyen independientemente quiere decir que stos no estn correlacionados entre s. En econometra a esta propiedad se le llama no-autocorrelacin serial, o errores no correlacionados serialmente. En este caso la matriz de varianzas y covarianzas de los errores debe presentar que todos los elementos fuera de la diagonal (es decir las covarianzas) sean cero. As, en el caso de errores bien comportados, esto se traduce en homocedasticidad y no autocorrelacin, lo que significa que la matriz de varianzas y covarianzas de los errores debe ser igual a:

2 0 E [ '] = ... 0

0 1 0 ... 0 = 2 0 1 = 2I ... ... ... 2 1 0 ...

es decir 2 veces la matriz identidad. De este modo, en adelante, cuando nos referimos a errores bien comportados queremos decir errores con varianzas del tipo escalar-identidad o 2I, donde I es la matriz identidad. Por el contrario, cuando los errores estn mal comportados se dice que su matriz de varianzas y covarianzas tiene la forma de 2, donde es una matriz cuadrada simtrica TxT pero distinta de la matriz identidad. En cualquier caso, si bien no puede estimarse a partir de los datos, s puede obtenerse un estimador de 2, la varianza de los errores ( es conocida el error estndar de la estimacin) que denominamos s2, el que puede mostrarse, viene dado por:

s2 =

SCErr t =1 ' = = T K T K T K

t =T

2 t

Puede apreciarse que s2 proviene de la frmula tradicional de varianza de una serie, es decir la suma cuadrada de las desviaciones de cada observacin respecto a la media (la media de los errores es cero) dividido por el nmero de grados de libertad, en este caso T menos el nmero de parmetros estimados en la regresin previa a la estimacin de s2. La forma de efectuar pruebas de hiptesis sobre coeficientes se mostrar en el captulo siguiente. Por ahora solo hemos mostrado dos resultados importantes para hacer esto: la distribucin de b y la varianza de los errores.

11

Por ejemplo, se tienen 3 observaciones, E() tiene por incgnitas los 3 elementos de la diagonal de sta matriz ms los 3 elementos debajo de la diagonal (pues es una matriz simtrica, los elementos de arriba de la diagonal son iguales), es decir un total de 3+3 = 3*4/2 = 6 incgnitas.

35

2.3.4. UNA MEDIDA DEL XITO DE AJUSTE

Una vez que hemos conocido la forma de estimar los coeficientes de regresin (estimador b) y sus propiedades ms importantes, debemos proceder a establecer alguna medida que determine el grado de ajuste de la lnea de regresin a los datos. La medida usual para evaluar el grado de xito de ajuste de los estimadores (del mtodo de MCO en este caso) es el coeficiente R- cuadrado. Un buen modelo de regresin es aquel que ayuda a explicar una proporcin grande de la varianza de Y. Recordemos que existen desviaciones positivas y negativas, por lo que el tamao de los errores constituye una til medida para determinar el ajuste entre la lnea de regresin y los datos. La derivacin del R-cuadrado se obtiene descomponiendo la suma cuadrada total en suma de cuadrados explicada y suma de cuadrados no explicada por la regresin (SCErrores): SCT = SCExpl + SCErr

(y
donde

y) 2 = ( yt y) 2 + ( yt yt ) 2

y i son los valores observados de Y, y es el valor promedio de los y observados, lo que sirve para reescalar apropiadamente los clculos, y por ltimo y i corresponde a los valores de Y predichos por la

regresin ajustada. Un mejor ajuste implicar que la SCExplicada es mayor que la SCErrores. As, dividiendo ambos lados de la igualdad por el trmino de la izquierda se tiene que:

(y 1= (y
R
2

t t

y) 2 y) 2

(y + (y

t t

yt ) 2 y) 2
suma cuadrada explicada suma cuadrada total

(y = (y

t t

y) 2 y)
2

, o escrito de otro modo,

R2 =

Este coeficiente tiene un rango de valores posible entre 0 y 1. Mientras ms cercano a cero indicar un mal ajuste y mientras ms cercano a 1 indicar un mejor ajuste. Esto es fcil de observar a travs del siguiente ejemplo: si todas las observaciones de una muestra cayeran sobre la lnea de regresin, el ajuste sera perfecto (R-cuadrado = 1).

et=yt-yt

= b + b2x y 1

yt yt
y

yt y

yt y

xt
36

Lamentablemente el R-cuadrado est afectado por el nmero de parmetros usados en el modelo, de modo que en general, siempre se obtendr un R-cuadrado ms alto cuanto mayor sea el nmero de variables explicativas, lo que dificulta las comparaciones. De otro modo, se esperan bajos R-cuadrados para modelos relativamente simples. Sin embargo la regla de la parsimonia indica que los modelos con demasiados parmetros hacen perder grados de libertad y confianza en las estimacines, aspecto que el R-cuadrado no considera. Debido a este problema fue desarrollado el coeficiente R-cuadrado ajustado de la siguiente forma:

T 1 2 R 2 =1 (1 R ) T K
el cual presenta una especie de correccin / castigo para los modelos con muchos parmetros, puesto que al aumentar K caer el valor de esta medida. Como desventaja, el R-cuadrado ajustado puede ser negativo.

37

2.4. CASO DE ESTUDIO

El siguiente ejemplo es obtenido de Pindyck y Rubinfeld (Econometrics Models and Economic Forecast), el que trabaja con la siguiente informacin (ms de 400 observaciones a partir de enero de 1959). El archivo de datos en formato Excel de este (Pindyck.xls) y otros ejemplos se encuentra en el SID de la UCN, y tambin con acceso libre en www.finanzascl.cl/econometria/data_excel.htm. Rate IP M1 M2 PPI : : : : : Tasa de inters de los T-Bill de los EEUU de 3 meses. Indice de produccin industrial del FED, ajustado estacionalmente (1987=100). Cantidad de dinero M1, en billones de US dollars, ajustados estacionalmente. Cantidad de dinero M2, en billones de US dollars, ajustados estacionalmente. Indice de precios al productor, todas las mercancas (1982=100), no ajustado estacionalmente.

Se tienen dos modelos de regresin como sigue:

Rt = + 1IP + 2(M1t M1t 3) + 3PSUM + ut t t

donde

(1)

PSUM

PPI t PPI t 1 PPI t 2 + + PPI t PPI t 1 PPI t 2

(2)

Rt = + 1IP + 2GRM2t + 3GRPPIt 1 + ut t

( M 2 t M 2 t 1 ) ( PPI t PPI t 1 ) , GRPPIt = 100 M 2 t 1 PPI t 1

donde

GRM 2 t =

2.4.1. Describiendo los Datos

Sabemos que el archivo cuenta con 446 observaciones en la forma de una serie de tiempo. Luego es importante que al momento de estimar los modelos o al obtener estadsticas parciales de datos lo podamos hacer refirindonos a fechas en lugar de la posicin de cada observacin. Para esto, es conveniente que la primera columna contenga las fechas en el formato deseado, por ejemplo, ao, mes. Esto adems permitir hacer grficos de series de tiempo con los datos.

38

2.4.2. Calculando Estadsticas

Luego de ingresados los datos a Excel, es recomendable chequear si el ingreso de los mismos se ha hecho de manera adecuada. La forma de efectuar este chequeo es consultando algunos estadsticos bsicos para verificar por ejemplo el nmero de observaciones (N) y los valores mximos y mnimos.
Max Min Media Desv St Num Obs 16,2950 2,2680 6,0590 2,7752 446,0000 1151,4000 138,9000 448,0933 312,0299 446,0000 3690,2000 286,7000 1579,5439 1144,2819 446,0000 123,7000 36,0000 77,4686 24,1488 446,0000 126,1000 31,3000 71,5206 34,8445 446,0000

Tambin es posible obtener importantes estadsticos que nos indican como se distribuyen los datos, para cada una de las variables a considerar. En el siguiente cuadro podemos apreciar la informacin obtenida de la variable RATE.

Valores Observaciones Media Muestral Desv estndar Varianza Error est. de la media Estadstico t Sesgo Curtosis Jarque Bera 446 6,0590 2,7752 7,70182173 0,13141027 46,1073203 Hiptesis 1,18620737 1,58711239 151,403572 10,19269 6,788193 151,4035 Significancia a 1 cola 2 2 1,3278E-33

2.4.3. Transformacin de datos y creacin de nuevas series

En la realizacin de cualquier trabajo se requerir algunas transformaciones de datos, o bien la creacin de nuevas series. En el caso del ejemplo deben realizarse varias transformacionesque se muestran a continuacin en un segmento de los datos:
M1t-M1t-3 dPPIt/PPIt 0,0000 0,0000 0,0031 0,0000 -0,0032 0,0000 -0,0032 0,0032 -0,0032 -0,0032 0,0000 0,0032 0,0000 dPPIt-1/PPIt-1 dPPIt-2/PPIt-2 PSUM GRM2t GRPPIt

0,8000 1,3000 1,5000 2,0000 1,2000 -0,2000 -1,2000 -1,5000 -1,0000 -0,5000 -0,5000

0,0000 0,0000 0,0031 0,0000 -0,0032 0,0000 -0,0032 0,0032 -0,0032 -0,0032 0,0000 0,0032

0,0000 0,0000 0,0031 0,0000 -0,0032 0,0000 -0,0032 0,0032 -0,0032 -0,0032 0,0000

0,0031 0,0031 0,0000 -0,0032 -0,0063 0,0000 -0,0032 -0,0032 -0,0063 0,0000 0,0032

0,00348797 0 0,00521376 0 0,00311201 0,31545259 0,0072389 0 0,00650237 -0,31446062 0,00374025 0 0,00406498 -0,31545861 0,00101221 0,3164569 -0,00067412 -0,31545861 0,00202363 -0,3164569 0,00235605 0 0,00134322 0,31746032 0,00067069 0

39

2.4.5. Grficos de Series de Tiempo

En el men de Excel, encontramos el asistente de grficos, la cual nos permite acceder a una gran variedad de grficos. Dentro de los tipos de grficos que ms utilizaremos se encuentran los grficos de Lineas, Scatter y Secuencias. A continuacin se presenta un ejemplo del trazado de grfico de secuencia de las series rate, ip y ppi.

Se indica que en el eje de las X's se rotule la fecha correspondiente para cada observacin. La salida de Excel nos mostrar el siguiente grfico:

2.4.6. Grficos X-Y (Scatter)

Tambin es posible graficar una serie contra otra a partir de la opcin SCATTER ( dispersin). Para esto se debe hacer clic en esta opcin y se despliega el siguiente cuadro:

Hemos definido un Scatterplot Simple. Luego se deben definir las series de acuerdo a como queramos que se ubiquen en los ejes. Para este ejemplo definiremos en el eje de las X a la serie grppiy en el eje de las Y a la serie rate, y obtenemos la siguiente grfica:

40

RATE VS GRPPI
18

16

14

12

10 RATE

0 -0,03 -0,02 -0,01 0 0,01 0,02 GRPPI 0,03 0,04 0,05 0,06 0,07

Al seleccionar la opcin agregar lnea de tendencia, logramos obtener la regresin lineal simple correspondiente para estas dos variables, la cual se puede apreciar en el grafico subsiguiente.

RATE VS GRPPI
18

16

14

12

y = 97,252x + 5,7621 2 R = 0,0569

10 RATE

0 -0,03 -0,02 -0,01 0 0,01 0,02 GRPPI 0,03 0,04 0,05 0,06 0,07

41

2.4.7. CASO DE ESTUDIO: Corriendo la Regresin 1

Retomando el caso de estudio anterior, debemos hacer un nmero de transformaciones previas para correr las dos ecuaciones de regresin:

Rt = + 1IP + 2 (M1t M1t3 ) + 3 PSUM + ut t t

donde

(1)

PSUM

PPI t PPI t 1 PPI t 2 + + PPI t PPI t 1 PPI t 2

El objetivo es obtener la regresin de (1) desde febrero de 1960 hasta diciembre de 1980 (1960:2 1980:12). Luego, escogiendo a la opcin Anlisis de datos, y luego la opcin regresin, se deben ingresar los datos correspondientes. As obtendremos la siguiente tabla adjunta:

Resumen Estadsticas de la regresin Coeficiente de correlacin mltiple 0,825962178 Coeficiente de determinacin R^2 0,68221352 R^2 ajustado 0,678353765 Error tpico 1,395907712 Observaciones 251 ANLISIS DE VARIANZA Regresin Residuos Total Grados de libertad Suma de cuadrados Promedio de los cuadrados 3 1033,22587 344,4086233 247 481,2939099 1,94855834 250 1514,51978 Coeficientes -2,490797219 0,125778816 -0,082500634 30,23544113 Error tpico 0,488327556 0,009459776 0,039357017 7,170339111 F Valor crtico de F 176,7504807 3,39702E-61

Intercepcin IP M1t-M1t-3 PSUM

Estadstico t Probabilidad -5,100668986 6,74644E-07 13,2961728 8,66531E-31 -2,096211583 0,037081155 4,216737962 3,48055E-05

Hemos solicitado estimar una regresin donde la variable dependiente rate se explica por las variables ip, M1diff y ppisum, y se incluye automticamente el intercepto de la recta de regresin. El primer cuadro muestra los coeficientes de determinacin R2 y R2 ajustado, adems del coeficiente de correlacin mltiple y el error estndar de la regresin. En segundo lugar, encontramos la informacin contenida en la tabla ANOVA, donde se muestra la descomposicin de la suma cuadrada de errores, y los grados de libertad correspondientes. Adems, esta tabla contiene el estadstico F, y el valor P correspondiente a la 'prueba F de significancia global' de los parmetros de regresin. En el cuadro coeficientes, se entrega los valores de los estimadores de los parmetros de regresin. La columna Error Tpico que entrega el error estndar de cada coeficiente. Finalmente, las ltimas 2 columnas entregan el estadstico t y el valor P (a 2 colas) de la 'prueba de significancia individual' de los parmetros. El anlisis de las salidas anteriores en cuanto a pruebas de hiptesis se muestra en el captulo siguiente.

42

2.4.8. CASO DE ESTUDIO: Corriendo la Regresin 2

La segunda regresin es:

Rt = + 1IP + 2GRM2t + 3GRPPIt 1 + ut t

(2)

donde

GRM 2 t =

( PPI t PPI t 1 ) ( M 2 t M 2 t 1 ) , GRPPIt = 100 PPI t 1 M 2 t 1

Haciendo las transformaciones correspondientes:

Fecha RATE IP GRM2t GRPPIt-1 1959,01 2,83699989 36 1959,02 2,71199989 36,7000008 0,00348797 1959,03 2,852 37,2000008 0,00521376 0 1959,04 2,96000004 38 0,00311201 0 1959,05 2,85100007 38,5999985 0,0072389 0,00315453 1959,06 3,24699998 38,5999985 0,00650237 0 1959,07 3,24300003 37,7000008 0,00374025 -0,00314461 1959,08 3,35800004 36,4000015 0,00406498 0 1959,09 3,99799991 36,4000015 0,00101221 -0,00315459 1959,1 4,1170001 36,0999985 -0,00067412 0,00316457 1959,11 4,20900011 36,2999992 0,00202363 -0,00315459 1959,12 4,57200003 38,5999985 0,00235605 -0,00316457 1960,01 4,43599987 39,6 0,00134322 0 1960,02 3,954 39,2 0,00067069 0,0031746 1960,03 3,43899989 38,9 0,00335121 0 1960,04 3,24399996 38,6 0,00200401 0,00632911 1960,05 3,39199996 38,5 0,003 0 1960,06 2,64100003 38,1 0,00465271 -0,00314465 1960,07 2,39599991 37,9 0,00595435 0 1960,08 2,28600001 37,9 0,0092075 0 1960,09 2,48900008 37,5 0,00488759 -0,00315457

y corriendo el modelo para el periodo enero 1960 a agosto 1995, se tiene que:
Resumen Estadsticas de la regresin Coeficiente de 0,46514599 Coeficiente de 0,21636079 R^2 ajustado 0,21081617 Error tpico 2,48102561 Observaciones 428 VARIANZA Grados de libertad Regresin Residuos Total Promedio de los Suma de cuadrados cuadrados 3 720,594185 240,198062 424 2609,92694 6,15548806 427 3330,52112 Valor crtico de F 2,7558E-22

F 39,0217736

Intercepcin Variable X 1 Variable X 2 Variable X 3

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% 1,21407799 0,55169206 2,2006443 0,02829968 0,12968608 0,04835294 0,00550301 8,78663601 3,8642E-17 0,03753637 140,326144 36,0385012 3,89378414 0,00011462 69,4897811 104,588446 17,4421792 5,99629467 4,325E-09 70,3045416

Superior 95% 2,2984699 0,05916952 211,162508 138,872351

Inferior 95,0% 0,12968608 0,03753637 69,4897811 70,3045416

Superior 95,0% 2,2984699 0,05916952 211,162508 138,872351

43

44

2.5. INTERPRETACION DE LOS COEFICIENTES DE REGRESIN

2.5.1. INTRODUCCIN
Cuando se plantea un modelo de regresin lineal, como por ejemplo:

Yt = 0 + 1 X 1,t + 2 X 2,t + et
los coeficientes de pendientes de sta regresin miden el efecto parcial de X1 sobre Y y de X2 sobre Y, es decir las derivadas parciales de Y respecto a X1 y X2 respectivamente. As, la interpretacin de los coeficientes es a veces confusa, puesto que se debe tener muy claro como son medidas las variables. Vemoslo a travs de un ejemplo: Ejemplo: Se dispone de la informacin de la produccin mensual (en kilogramos) de 10 empresas durante el mes pasado, y se cree que la produccin depende del capital utilizado (monto de deuda de la empresa, en millones de pesos) y del trabajo usado (en nmero de personas contratadas), segn la siguiente tabla de datos: Empresa 1 2 3 4 5 6 7 8 9 10 Capital 8 9 4 2 6 6 3 6 8 4 Trabajo 23 14 38 97 11 43 93 49 36 43 Produccin 106 81 72 57 66 98 82 99 110 118

Coeficientes Intercepcin 56,20094158 Capital 4,873711127 Trabajo 0,120945774

Error tpico Estadstico t 43,70386574 1,28594898 4,974703122 0,97969889 0,392826007 0,307886372

Aqu la interpretacin de los coeficientes es: - Constante: si no se utiliza capital ni trabajo, la produccin ser de 56.20 Kg. Mensuales. - Capital: por cada milln de pesos adicional de deuda, se espera producir 4.87 Kg. Mensuales. - Trabajo: por cada persona contratada adicionalmente, se espera que la produccin aumente en 0.12 Kg. Mensuales. Existen otras especificaciones similares a la lineal anterior, pero que llevan a una interpretacin distinta de los coeficientes, tal como veremos a continuacin.

45

2.5.2. FORMA DOBLE LOGARTMICA

Corresponde a una especificacin (lineal) en que tanto la variable dependiente como las variables independientes estn expresadas como logaritmos naturales. Ejemplo:

LN (Yt ) = 0 + 1 LN ( X 1 ) + 2 LN ( X t ) + et

;* es una especificacin doble log

La propiedad ms importante de esta especificacin es que los coeficientes pueden interpretarse como elasticidades. En efecto, la interpretacin de los coeficientes 1 es:

1 =

d ln Y d ln X 1

puesto que, por ejemplo, la elasticidad precio de la demanda puede escribirse como:

dQ Elasticidad = Q dP P = d ln Q d ln P

donde Q es la funcin de demanda Q(P), y P el precio. Esta especificacin es entonces til para calcular elasticidades precio, elasticidades ingreso, elasticidades cruzadas, etctera, de acuerdo a las variables involucradas en el modelo.

2.5.3 MODELO LOGARTMICO LINEAL (DE CRECIMIENTO CONSTANTE)

Cuando se tiene una especificacin Log-Lineal, la interpretacin del coeficiente relevante es la de la tasa de crecimiento constante de la variable asociada. Ejemplo:

ln Y = 0 + 1 X

;* un modelo lineal simple en forma log-lin.

La interpretacin del coeficiente en este caso es:

dY d ln Y 1 = = Y dX dX
El numerador corresponde al cambio porcentual de Y (dado por dY/Y), mientras que el denominador es el cambio (muy pequeo) en X. Si por simplicidad X es una medida de tiempo o tendencia, entonces la interpretacin de es el cambio porcentual en Y ante un pequeo periodo de tiempo. Note que si <0, se tratar de la tasa de disminucin en Y.

46

2.5.4. OTRA VISIN DE LOS COEFICIENTES DE PENDIENTE

Puede mostrarse que cada coeficiente en una regresin lineal puede calcularse como:

i =

Cov( X i , Y ) ( X i , Y ) ( X i ) (Y ) ( X i , Y ) (Y ) = = Var ( X i ) Var ( X i ) (Xi )

es decir la covarianza entre Xi e Y dividido por la varianza de la variable Xi, o alternativamente, el coeficiente de correlacin entre Xi e Y, multiplicado por la desviacin estndar de Y y dividido por la desviacin estndar de Xi. La interpretacin de este resultado es que la covarianza (o el coeficiente de correlacin) justamente intentan obtener el efecto neto entre Xi e Y, eliminando el efecto de otras variables sobre Y, puesto que esta efecto ser obtenido en el beta correspondiente a esa variable. El otro aspecto importante es que si la correlacin entre Xi e Y fuera cercana a 1.0, y las desviaciones estndar de Xi y de Y son similares, entonces esperamos una pendiente cercana a 1.0 (i=1.0). Por ltimo, puede notarse que el valor de este coeficiente i estar afectado por las unidades de medida de Xi e Y, lo que se reflejar en sus respectivas desviaciones estndar. Ahora mostraremos a travs de un ejemplo que los coeficientes de una regresin mltiple pueden escribirse como la covarianza dividida por la varianza, en el caso que las variables X1 y X2 no estn correlacionadas, es decir:

Y = 0 +

Cov( X 1 , Y ) Cov( X 2 , Y ) X1 + X2 + Var ( X 1 ) Var ( X 2 )

Ejemplo: Supongamos que tenemos 3 series de 10 observaciones.

y 30 27 29 39 35 38 37 40 48 55 x1 8 9 9 8 10 15 12 11 17 16 x2 5,912195122 6,365853659 8,365853659 11,91219512 12,8195122 8,087804878 11,72682927 16,27317073 8,995121951 9,541463415

Verificamos que para este ejemplo las correlaciones y covarianzas entre X1 y X2 son cero.
y y x1 x2 66,96 20,9 7,38146341 x1 10,25 2,51266E-13 x2

9,1404878 2,5959E-14

=COEF.DE.CORREL(B2:B11;C2:C11)

47

Calculamos los coeficientes de pendientes (Cov/var) por separado como sigue: = 20.9/10.2500000 = 2.03902 para el primer coeficiente de pendiente = 7.3814634/9.1404878 = 0.80756 para el segundo coeficiente de pendiente Y verificamos a travs de una regresin mltiple el valor de los coeficientes de pendientes estimados anteriormente.
Coeficientes 6,275651148 2,03902439 0,807556836 Error tpico 8,077266366 0,506177022 0,536018368 Estadstico t 0,776952358 4,028283192 1,506584259

Intercepcin x1 x2

Note que esto es posible debido a que en las covarianzas anteriores no hay 'contaminacin' de informacin de X1 en X2 y viceversa. Otro aspecto importante referido a la interpretacin de los coeficientes de pendientes, y relacionado con lo anterior, es que stos corresponden a la relacin entre cada variable Xi con Y, una vez que se ha eliminado el efecto de las dems series X sobre Xi. Veamos esto a travs de un ejemplo: Ejemplo: Se tiene informacin de 30 empresas respecto a una funcin de produccin COBB-DOUGLAS simple, en que el producto (Q) es explicado por el capital (K) y el trabajo (L): ... Ver datos en Tabla 2 del Anexo al final del libro.

Intercepcin Ln(L) Ln(K)

Coeficientes Error tpico Estadstico t 0,424867718 0,137798197 3,083260349 0,735825294 0,065790541 11,18436308 0,949011153 0,062901265 15,08731428

El coeficiente de Ln(L) (Beta1) es 0.7358252943. Verifiquemos que ste coeficiente puede obtenerse con regresiones separadas como sigue: a) regresionando Ln(L) versus Ln(K) y guardando los residuos en una nueva serie llamada Error, que corresponden a la informacin que queda en Ln(L) despus de eliminar lo explicado por Ln(K). De otro modo, Error es la parte de Ln(L) que est libre del efecto de Ln(K), es decir el contenido de informacin neto de Ln(L).
Empresa 1 2 3 4 5 6 7 8 Trabajo (L) Capital (K) Producto (Q) 0,228 0,802 0,256918 0,258 0,249 0,183599 0,821 0,771 1,212883 0,767 0,511 0,522568 0,495 0,758 0,847894 0,487 0,425 0,763379 0,678 0,452 0,623130 0,748 0,817 1,031485 Ln(Q) -1,35899831 -1,69500125 0,19300017 -0,64900016 -0,16499965 -0,27000065 -0,47300011 0,03099951 Ln(L) -1,47840965 -1,35479569 -0,19723217 -0,26526848 -0,70319752 -0,71949116 -0,38860799 -0,2903523 Ln(K) Error -0,22064667 -0,25733826 -1,39030238 -0,32590464 -0,26006691 1,01736228 -0,67138569 0,88174421 -0,27707189 0,50860292 -0,85566611 0,39724333 -0,7940731 0,73824654 -0,20211618 0,93376374

b) Regresionando Ln(Q) versus los errores:

Intercepcin Error

Coeficientes Error tpico Estadstico t -1,53267649 0,21299129 -7,19595845 0,73582529 0,17827666 4,12743473

48

Obtenemos el mismo coeficiente Beta1=0.735825294, con lo cual verificamos que basta solo 1 regresin mltiple para esto, y no es necesario efectuar varias estimaciones para eliminar el ruido, o contenido de Ln(K) en Ln(L).

49

2.6 RESUMEN: UNA CRTICA AL MODELO

Para terminar este captulo recordemos que en la implementacin del mtodo de los MCO se ha supuesto: a) Que se trata de un modelo lineal en los parmetros: Este supuesto puede no ser aplicable en muchos modelos, sin embargo en muchos otros es vlido, por lo tanto es una misin del analista determinar si el supuesto es aplicable o no. Cuando no es posible trabajar bajo este supuesto (cuando tampoco es posible linealizar el modelo), entonces seguramente se requerirn mtodos de regresin no lineales, los que veremos ms adelante. b) Que las X son fijas o no estocsticas: El cumplimiento de este supuesto es de importancia extrema en el anlisis de regresin, por cuanto de no cumplirse, y exista relacin entre las series X y los errores, se tendrn estimadores sesgados de los verdaderos coeficientes, lo que es extremadamente grave. Sin embargo en muchos casos es posible que los X no sean fijos (es decir sean estocsticos) y an estn no correlacionados con los errores. Este aspecto lo veremos ms adelante en el tpico regresores estocsticos (variables instrumentales). c) Que X contiene el conjunto correcto de variables explicatorias: En efecto, se supone que el modelo est bien especificado, es decir no faltan ni sobran variables explicativas. En general es ms grave omitir variables que incluir variables en exceso, puesto que si la variable omitida est correlacionada con la variable presente en el modelo, la variable omitida estar reflejada en el error (), de modo que existir correlacin entre el error y la variable presente, implicando sesgo. Esto no ocurrir en el caso de sobreespecificacin, aunque los coeficientes sern en general ineficientes respecto de aquellos estimados bajo una correcta especificacin. d) Que es bien comportado: En efecto, suponemos que stos estn libres de autocorrelacin y heterocedasticidad, lo que asegura estimadores MELI, o MEI en el caso del modelo bajo el supuesto de normalidad. Este supuesto es levantado ms adelante. e) Que Y es medido sin error: Puesto que en general Y es la variable estocstica del modelo de regresin (adems del error, ), se espera que ste sea una realizacin insesgada de un correcto procedimiento de muestreo, cuestin que debe ser considerada por el analista. No mencionamos preocupacin respecto a las series X, pues se suponen fijas, o controladas por el investigador. f) Que los parmetros son fijos (estables): Cuando estimamos un modelo de regresin para un determinado periodo, implcitamente se asumen que los verdaderos parmetros son constantes para todo el periodo, es decir, si se subdivide el periodo total en 2 subperiodos y se efecta nuevamente la estimacin en cada subperiodo, esperamos que los coeficientes de pendientes de ambas regresines sean bsicamente los mismos, lo que en la prctica puede no ser verdadero. Las pruebas para la estabilidad de los parmetros es mostrada en el siguiente captulo.

50

CAPTULO 3 MNIMOS CUADRADOS RESTRINGIDOS (INFERENCIA)

3.1. MCO CON ERRORES NORMALES

Recordemos que en el captulo anterior sealamos que las condiciones ideales para la implementacin de los estimadores MCO incluyen: las perturbaciones son esfricas, es decir, errores independientes e idnticamente distribuidos con media 0 y varianza 2, de modo que E['] = 2I, lo que implica homocedasticidad y ausencia de autocorrelacin serial, los regresores son fijos (las variables X son no estocsticas), los errores tienen una distribucin desconocida. Cumplindose estas condiciones, puede mostrarse por el teorema de Gauss-Markov que el estimador de MCO, b es MELI (es decir, el mejor estimador insesgado de entre la clase de los estimadores lineales de ), y que tena una distribucin no precisada (hasta ahora) con una media y varianza que inclua, entre sus componentes, el comportamiento de los errores (). Para efectos de implementar procedimientos de inferencia estadstica acerca de los coeficientes es necesario conocer la distribucin de stos. El caso ms simple es asumir que los errores se comportan de acuerdo a una distribucin normal. En este caso los coeficientes b se distribuirn tambin normalmente, puesto que stos son una combinacin lineal de un error distribuido normalmente (puesto que las variables X estn fijas). Es decir:

b Normal + ( X ' X ) 1 X ' E ( ) , ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

Si en adicin, los errores estn bien comportados, los coeficientes b se distribuyen normalmente:

b Normal , 2 ( X ' X ) 1

As, bajo este resultado es posible implementar un nmero de pruebas de inferencia estadstica, incluyendo pruebas F, y adems se justifica la aplicacin del mtodo de mxima verosimilitud, aunque en este caso si bien b es insesgado, s2 no lo es en pequeas muestras. Como resultado adicional puede mostrarse 12 que al incorporar el supuesto de errores normales el estimador b es el ptimo (suficiente), es decir el mejor estimador insesgado (MEI) incluyendo la clase de los estimadores no lineales, de modo que no existe un mejor estimador posible que el de MCO. Este es un
12

Vase seccin 6.1.3e en Judge et al.

51

resultado ms poderoso que el obtenido bajo ausencia de normalidad (estimadores MELI). Respecto a s2, en este caso tambin es ptimo. En resumen, puede decirse que existen 2 principales implicancias de asumir errores normales: - Los estimadores MCO pasan a ser MEI - Los estimadores MCO tienen ahora una distribucin normal, lo que implica que puede hacerse inferencia estadstica de los verdaderos parmetros de regresin.

52

3.2. PRUEBAS SOBRE UN COEFICIENTE

Cuando los errores estn bien comportados la prueba de hiptesis para un coeficiente b en un modelo de regresin lineal involucra la prueba t, es decir:

t=

( X ' X ) 1
2

t (T K )

donde Ho: la restriccin es verdadera. Ntese que el denominador corresponde a la desviacin estndar (error estndar) del coeficiente sobre el cual se est haciendo la prueba. La hiptesis ser rechazada cuando t calculado sea mayor, en valor absoluto, que el t de tabla. Por ejemplo, si el t de tabla es t(9) al 0.05 = 2.262. Puesto que para un nmero de grados de libertad mayor a 30 el valor t de tabla al 5% es cercano a 2.0 1.96 para T-K muy grande, en muchos por simplicidad casos se acepta 1.96 como t crtico. Veamos que para el caso en que Ho: i=0, esta prueba es reportada automticamente en Excel. Ejemplo: A modo de ilustracin, asumamos que se dispone de informacin mensual de actividad econmica en Chile (IMACEC), de desempleo en miles de personas desocupadas, y del ndice de precios al consumidor (Base: Diciembre 1998=100). Ver Tabla 1 en el Anexo al final del libro. La salida de la regresin es:
Resumen Estadsticas de la regresin Coeficiente de correlacin mltiple 0,61777745 Coeficiente de determinacin R^2 0,38164898 R^2 ajustado 0,24423764 Error tpico 47,4030464 Observaciones 12 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de Suma de los cuadrados cuadrados 2 12481,996 6240,998 9 20223,4393 2247,04881 11 32705,4353 Valor crtico de F 0,11496294

F 2,77741986

Intercepcin imacec ipc

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% -139,008756 1162,56508 -0,11957073 0,90744975 -2768,91368 -3,11131208 1,722777 -1,80598654 0,10439648 -7,0085044 13,8423467 10,0214799 1,38126772 0,20052202 -8,82781574

Superior Inferior 95% 95,0% 2490,89617 -2768,91368 0,78588024 -7,0085044 36,5125091 -8,82781574

Superior 95,0% 2490,89617 0,78588024 36,5125091

;* Si se desea probar las siguientes hiptesis: a) Ho: el intercepto (constante) = 0 La prueba estadstica respectiva es una t: t = Abs((139,0-0)/1162,565)=-0,11957 < 2.262, y no se rechaza Ho (no hay evidencia suficiente para rechazar Ho). El resultado de esta prueba es mostrado en la salida de la regresin de Excel. La conclusin tambin puede obtenerse con la significancia reportada, pues esta es mayor que 0.05 (es 0.907).

53

b) Ho: El coeficiente de IMACEC = 0 t = Abs((3,111-0)/1,723)=1.8059 < 2.262, no se rechaza Ho. c) Ho: El coeficiente de IPC = 0 t = Abs((13,84-0)/10,02)=1,38 < 2.262, no se rechaza Ho.

3.3. TRES TESTS EQUIVALENTES

Cuando se hacen pruebas que involucran a 2 o ms coeficientes simultneamente, entonces debe usarse otro tipo de pruebas. Los 3 tests que veremos son el test de razn de verosimilitud (Likelihood ratio, LR por Neyman y Pearson en 1928), el test de WALD (W, por A. Wald en 1943) y el test de los multiplicadores de Lagrange (LM, por C. Rao en 1948). Para desarrollarlos en forma simple, a continuacin supongamos que se desea probar un nmero de hiptesis lineales referidas a los coeficientes de un modelo de regresin lineal mltiple. Puede mostrarse que en este caso los 3 tests entregarn un resultado idntico, todos en trminos de una distribucin del tipo F conocida. Cuando se trabaja con modelos no lineales, o con sistemas de ecuaciones, solamente pueden obtenerse resultados asintticos, de modo que los tres tests generalmente entregan resultados diferentes, y en estos casos la distribucin general es una del tipo Chi-cuadrado. En cualquier caso se cumplir que:

W LR LM
Cuando se trabaja evaluando hiptesis lineales sobre el modelo lineal general, entonces puede mostrarse que los tres son idnticos, es decir:

W = LR = LM

3.4. TEST DE RAZON DE VEROSIMILITUD (LR)

13

Esta prueba de hiptesis compara el valor de la funcin de verosimilitud del modelo no restringido con el valor de la funcin del modelo restringido, pues Ho puede ser vista como restringiendo el conjunto de posibles valores de los parmetros, lo que a su vez restringe el valor mximo de la funcin de verosimilitud. Al comparar las estimacines restringida y sin restringir, y si las dos fueran cercanas, se apoya Ho, es decir Ho es verdadera, con lo cual debe ser cercano a 1, es decir:

Max L restringido Max L no restringido

donde Max L restringido es la funcin mxima verosimilitud del modelo restringido, y Max L no restringido es la funcin de mxima verosimilitud del modelo no restringido. A efectos de implementacin de la prueba estadstica, puede mostrarse que:

LR = 2 ln 2 ( J )
13

Es decir, Likelihood Ratio Test.

54

donde J es el nmero de hiptesis o restricciones. Ntese que para implementar esta prueba se requiere estimar tanto el modelo sin restringir como el modelo restringido. Esto puede ser difcil de hacer por ejemplo en sistemas ecuaciones, a partir de lo cual surgen las alternativas del test de Wald y del Multiplicador de Lagrange.

3.4.1. LR BAJO ESPECIFICACION LINEAL-LINEAL

Cuando tanto las restricciones como el modelo de regresin son lineales (lineal-lineal), entonces la maximizacin de la funcin de verosimilitud entrega los mismos estimadores que la minimizacin de la suma cuadrada de errores, de modo que puede rescribirse como:

SCErr Restringidos SCErr No Restringidos

sin embargo sta no tiene una distribucin exacta conocida, aunque con una modificacin leve se puede llegar a una distribucin que se sabe es F:

(SCErr Restr SCErr no Restr )

F= SCErr no Restr m F(m,T K) T K

donde Rrss es la suma cuadrada de errores restringida Urss es la suma cuadrada de errores no restringida m es el nmero de restricciones Ejemplo: Si en el ejemplo del IMACEC, desempleo e IPC queremos probar la hiptesis conjunta que:

Ho : 1 + 2 = 10,0
Entonces: a) Modelo no restringido:

0 = 0

;* se trata de 2 restricciones conjuntas

Yt = 0 + 1 X 1 + 2 X t + t , correr este modelo y guardar la SCErrores

(no restringido) con los grados de libertad (ver salida de tabla ANOVA)

b) Modelo Restringido: Implica reescribir el modelo asumiendo que la hiptesis se cumple, es decir:

Y = 0 + (10 2 ) X 1 + 2 X 2 Y = 10 X 1 2 X 1 + 2 X 2 Y 10 X 1 = 2 ( X 2 X 1 )
Luego, se debe correr este modelo (en este caso el modelo restringido resulta ser uno sin intercepto) y guardar la SCErrores (restringido) con sus grados de libertad. Con esto se tiene la siguiente informacin;

55

Estadsticas de la regresin Coeficiente de correlacin mltiple 0,99977636 Coeficiente de determinacin R^2 0,99955276 R^2 ajustado 0,90864367 Error tpico 43,028741 Observaciones 12 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de Suma de los cuadrados cuadrados 1 45517219,5 45517219,5 11 20366,198 1851,47255 12 45537585,7 Valor crtico de F 2,7353E-18

F 24584,334

Intercepcin X2-X1

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% 0 #N/A #N/A #N/A #N/A 13,5444251 0,08638361 156,793922 8,901E-20 13,354296

Superior 95% #N/A 13,7345541

Inferior 95,0% #N/A 13,354296

Superior 95,0% #N/A 13,7345541

Luego se construye la prueba F, con la informacin de las ANOVAS, tanto del modelo no restringido como el restringido.

F=

( SRC R SRC NR ) / m ( SRC NR /( n k ))

Finalmente buscamos el nivel de significancia marginal para el estadstico F calculado;

=DISTR.F(0,03177;2;9) = 0,9688
LR test. En conclusin la hiptesis claramente no puede ser rechazada a los niveles usuales, a travs del

56

3.5. TEST DE WALD

Este es el test ms popular, pues segn el caso, puede ser el ms simple de calcular. Excel no tiene implementado automticamente un procedimiento para este clculo, si bien la mayora de los programas economtricos lo hacen. El test de Wald se basa en una de las relaciones entre variables normales y la Chi cuadrado vista anteriormente, es decir:

(b )' 1 (b ) 2 (n)
Mientras mayor sea la diferencia entre el valor de los coeficientes estimados b y el valor de los coeficientes poblacionales hipotetizados (), mayor ser el valor calculado de la prueba, lo que incidir en que puede ser rechazada la hiptesis de igualdad con ms fuerza. Para el caso de que las restricciones (hiptesis) sean combinaciones lineales de los coeficientes (sin importar el tipo de modelo subyacente), siempre podrn escribirse como:

R = r
donde R es una matriz mxk con m el nmero de restricciones y k el nmero de parmetros del modelo, es un vector de Kx1, y r es un vector de Qx1 conteniendo los coeficientes de la derecha de las hiptesis. Ejemplo: Las hiptesis como:

Ho : 1 2 = 1.0

2 = 0

pueden escribirse matricialmente

1 1 1 1.0 0 1 = 0.0 , 2

es decir

1 1 R= 0 1

1.0 r= 0.0

As, la expresin general para restricciones lineales del test de Wald es:

(r R )' [R X R'](r R )

2 ( n)

donde X es la matriz de varianzas y covarianzas de los coeficientes que ha sido estimada. Ntese que en el caso del test de Wald solo se requiere estimar el modelo no restringido, es decir solamente conocer los coeficientes b. Este aspecto es de gran utilidad prctica por lo que la mayora del los programas computacionales especializados automticamente implementarn un test de Wald para el caso lineal-lineal.

3.5.1. WALD BAJO ESPECIFICACION LINEAL-LINEAL

En el caso particular que tanto el modelo como las restricciones sean lineales, puede mostrarse que el test de Wald se comporta con una distribucin F del siguiente modo:

( R r )' R ( X ' X ) 1 R ' ms

2

( R r )

F (m, T K )

57

3.5.2. EJEMPLO NUMERICO DEL TEST DE WALD

Veamos el siguiente ejemplo numrico a fin de verificar distintos clculos del test de Wald, lo que ser ilustrativo: Ejemplo: y 100 106 107 120 110 116 123 133 137 x2 100 104 106 111 111 115 120 124 126 x3 100 99 110 126 113 103 102 103 98

Si se desea probar ahora 2 hiptesis lineales simultneas, por ejemplo: Ejemplo:

Ho : 1 2 = 1.0
'

2 = 0.0
1

49,34 0 1 1 0 1,3642 0 0 1 0,1138 1

' 0 1 1 1 0 1 1 (X ' X ) 0 0 1 0 0 1

2 s2
1

49,34 0 1 1 0 1,3642 0 0 1 0,1138 1 F ( m, T K )

0,2504 0,1139

'

' 0 1 1 ( X ' X ) 1 0 1 1 0 0 1 0 0 1

0,2504 0,1139

2s

85,3473 2 s2

= 3,3020 F ( 2,6)

y este es el resultado del test a travs de la formulacin de Wald. Puesto que F(2,6)= 3.30200 con Significancia 0.10787701, la hiptesis no es rechazada.

58

3.6. TEST DEL MULTIPLICADOR DE LAGRANGE

Este test, a diferencia de los anteriores, solamente requiere conocer la estimacin del modelo restringido, por lo que es til cuando el modelo original es relativamente complejo y la hiptesis nula es por ejemplo que todos los coeficientes son simultneamente iguales a cero, pues el modelo restringido es sencillo de calcular. El test del multiplicador de Lagrange es til bajo el resultado de Engle (1982) quien muestra que para un tamao de muestra grande, entonces asintticamente:

T R2
donde m es el nmero de restricciones.

2 ( m)

Este resultado ser particularmente til ms adelante en varias pruebas de deteccin de heterocedasticidad y autocorrelacin (vase captulo 4).

59

3.7. PRUEBA DE SIGNIFICANCIA GLOBAL

Qu ocurre si deseamos probar la hiptesis que todos los coeficientes de pendientes son cero (sin considerar el intercepto)? Este es justamente el llamado test de significancia global, por cuanto permitir saber si conjuntamente las variables X tienen poder explicativo en conjunto por sobre Y. Es decir:

Y = 0 + 1 X 1 + 2 X 2 + Ho : 1 = 2 = .... = 0
Claramente se trata de una prueba F, donde el nmero de grados de libertad en el numerador es m=nmero de coeficientes (sin considerar intercepto), y el nmero de grados de libertad en el denominador es T-K. Ejemplo: Para el ejemplo desempleo, la regresin restringida es:

Y = 0
Lamentablemente, esto modelo no puede correrse en Excel. Sin embargo, puesto que consiste en una lnea de regresin horizontal (las pendiente son cero), entonces la SCErr = SCT del modelo no restringido. As, SCErr(NR)=20223,4393 con 9 gl, y SCErr(R)=32705,4353 con 11 gl, y en consecuencia:

(132705,4 20223,4) F= (20223,4) 9

Finalmente, se calcula el NSM para el estadstico F: =DISTR.F(2,7774;2;9) = 0,11496 por lo tanto no existe evidencia significativa para rechazar H0, de modo que se entiende que hay una baja explicacin del IMACEC y del IPC respecto al desempleo.

2 = 2,777

60

3.8. PRUEBA DE EXCLUSION DE VARIABLES

Una prueba tpica de MCR es verificar si una de las variables explicativa es estadsticamente importante en el modelo, es decir, si existe diferencia significativa entre la restriccin no restringida (con todas las variables) y la regresin restringida (eliminando la variable en cuestin). Esta prueba es especialmente til cuando se trabaja con modelos que tienen variables explicativas con diferentes rezagos (modelos de series de tiempo) y se desea saber si algunos de estos rezagos pueden ser excludos del modelo. Note que cuando se trata de excluir solamente 1 variable, esto puede ser hecho simplemente con la prueba t de significancia individual. Ejemplo: Para el ejemplo del desempleo, se desea verificar si puede excluirse el ndice de precios al consumidor, sin costo para el modelo. La hiptesis es Bajo Ho el modelo restringido es: es:
Estadsticas de la regresin Coeficiente de correlacin mltiple 0,50056508 Coeficiente de determinacin R^2 0,2505654 R^2 ajustado 0,17562194 Error tpico 49,5081659 Observaciones 12 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de Suma de los cuadrados cuadrados 1 8194,85039 8194,85039 10 24510,5849 2451,05849 11 32705,4353 Valor crtico de F 0,09741527

Ho : 2 = 0 .

Y = 0 + 1 X 1 y el resultado de la estimacin

F 3,34339242

Intercepcin imacec

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% 1354,53348 446,028899 3,0368738 0,01252925 360,719164 -3,28155063 1,79467342 -1,82849458 0,09741527 -7,28033219

Superior Inferior 95% 95,0% 2348,34779 360,719164 0,71723094 -7,28033219

Superior 95,0% 2348,34779 0,71723094

Sabemos que la SCErr(NR)=20223,4393 con 9 gl, y ahora, que SCErr(R)=24510,58. Implementamos una prueba F, para probar la hiptesis nula:

(24510,58 20223,4) F= (20223,4) 9

donde m=1 es el nmero de restricciones y T-k=9 representa los grados de libertad del modelo no restringido. Finalmente, calculamos el NSM: =DISTR.F(1,9079;1;9)= 0,200522 por lo tanto no existe suficiente evidencia para rechazar la hiptesis nula, es decir, no se rechaza que 2=0, y en consecuencia, el IPC puede ser excludo del modelo sin costo (al 5%).

1 = 1,9079

61

3.9. PRUEBA DE CAUSALIDAD (GRANGER, 1969)

Se dice que X causa en el sentido de Granger a Y, si Y puede ser predicho mejor usando informacin pasada de Y y de X, que usando solamente informacin pasada de Y. Veamos el concepto con un ejemplo 14: el retorno accionario de la bolsa de valores de Brasil causa al retorno de Chile (RbrtRcht), por ejemplo, si el retorno de Chile se puede predecir mejor utilizando valores pasados del retorno de Brasil (Rbrt-i) y del retorno de Chile (Rcht-j), que usando solamente valores pasados del retorno de Chile. Formalmente, se dice que Brasil (Rbrt) causa a Chile (Rcht), si existe una diferencia significativa entre las ecuaciones (1) y (2), notando que en esta ltima ecuacin el trmino rezagado del retorno de Brasil no est presente:

Rcht = 0 + i Rbrt i + j Rcht j + 1t

i =1 j =1

(1)

Rcht = 0 + j Rcht j + 1t
j =1

(2)

Aqu 0, i, j, son los coeficientes de la regresin, y 1t son las perturbaciones que se suponen bien comportadas. La ecuacin (1) constituye la regresin no restringida, a partir de la cual puede obtenerse la suma cuadrada de errores no restringidos (SRCnr), y la ecuacin (2) es la regresin restringida (es decir i = 0), de la cual se obtiene la suma de los residuos al cuadrado restringidos (SRCR). Para verificar la significancia que tiene el retorno de Brasil en la regresin usamos la prueba F comparando la suma de los residuos al cuadrado restringidos y no restringidos de las regresines (1) y (2), es decir una prueba de mnimos cuadrados restringidos para la exclusin de variables (ecuacin 3):

F=

( SRC R SRC NR ) / m ( SRC NR /(n k ))

(3)

donde, m es igual al nmero de trminos rezagados de Rbr (el nmero de restricciones lineales), k es el nmero de parmetros estimados en la regresin no restringida, n el nmero de observaciones, y F sigue una distribucin con m y (nk) grados de libertad. La hiptesis nula es que los trminos rezagados de Rbr no pertenecen a la regresin (H0: i=0). Si el valor F calculado no excede al valor F crtico, no existirn argumentos para rechazar la hiptesis nula (Ho: no existe causalidad), con lo cual los trminos rezagados del retorno de Brasil no ayudan a explicar al retorno de Chile.

Vase a Aedo y Ziga (2001) Anlisis de Causalidad entre Bolsas Latinoamericanas, Documento de Trabajo, Escuela de Ingeniera Comercial, U.C.N.

14

62

Ejemplo: Un test de causalidad de R2 hacia R1, donde R representa rentabilidad mensual, es el siguiente: Tenemos las series temporales de precios de mercado de las las acciones 1, 2 y 3.
P1 100 106 107 120 110 116 123 133 137 100 106 107 120 p2 100 104 106 111 111 115 120 124 126 100 104 106 111

Obtenemos los rendimientos contnuos de cada accin aplicando logaritmos naturales a las razones de precios: LN(P1(t)/P1(t-1)) ; cambiando por p2 y p3 cuando corresponda. Para probar la hiptesis de si existe causalidad a lo Granger de R2 a R1, corremos una regresin en donde el rendimiento del activo 1 (R1) es explicado por los rendimientos de los activos 2 y 3, cada uno con 1 y 2 rezagos, bajo la siguiente hiptesis nula:

R1,t = 0 + 1R1,t 1 + 2 R1,t 2 + 3 R2,t 1 + 4 R2,t 2 + Ho : 3 = 4 = 0

Las series transformadas y reordenadas en Excel son:
R1 R1-1 R1-2 R2-1 R2-2

0,05826891 0,00938974 0,05826891 0,03922071 0,11466291 0,00938974 0,05826891 0,01904819 0,03922071 -0,08701138 0,11466291 0,00938974 0,04609111 0,01904819 0,05310983 -0,08701138 0,11466291 0 0,04609111 0,05859416 0,05310983 -0,08701138 0,03540193 0 0,07816477 0,05859416 0,05310983 0,04255961 0,03540193 0,0296318 0,07816477 0,05859416 0,03278982 0,04255961 -0,31481074 0,0296318 0,07816477 0,01600034 0,03278982 0,05826891 -0,31481074 0,0296318 -0,23111172 0,01600034 0,00938974 0,05826891 -0,31481074 0,03922071 -0,23111172 0,11466291 0,00938974 0,05826891 0,01904819 0,03922071 0,11466291 0,00938974 0,04609111 0,01904819 0,11466291 0,04609111

El modelo No restringido estimado es:

63

Resumen Estadsticas de la regresin Coeficiente de correlacin mltiple 0,56343587 Coeficiente de determinacin R^2 0,31745998 R^2 ajustado -0,22857204 Error tpico 0,14232138 Observaciones 10 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de Suma de los cuadrados cuadrados 4 0,04710545 0,01177636 5 0,10127688 0,02025538 9 0,14838233 Valor crtico de F 0,69033198

F 0,58139443

Intercepcin Variable X 1 Variable X 2 Variable X 3 Variable X 4

Coeficientes Error tpico Estadstico t Probabilidad 0,00952583 0,04512862 0,2110818 0,84115682 -1,95451248 1,48187744 -1,31894341 0,24436243 -1,83643976 1,50804878 -1,21775886 0,27764342 2,44345398 2,12411549 1,15033951 0,30203135 2,50431257 2,1759706 1,15089449 0,3018231

Inferior 95% -0,10648098 -5,7637997 -5,71300255 -3,01675871 -3,08919792

Superior 95% 0,12553264 1,85477473 2,04012302 7,90366668 8,09782306

Inferior 95,0% -0,10648098 -5,7637997 -5,71300255 -3,01675871 -3,08919792

Superior 95,0% 0,12553264 1,85477473 2,04012302 7,90366668 8,09782306

Luego se corre una segunda regresin, donde se excluye los rendimientos rezagados del activo 2;
Resumen Estadsticas de la regresin Coeficiente de correlacin mltiple 0,22985245 Coeficiente de determinacin R^2 0,05283215 R^2 ajustado -0,21778723 Error tpico 0,14169533 Observaciones 10 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de Suma de los cuadrados cuadrados 2 0,00783936 0,00391968 7 0,14054297 0,02007757 9 0,14838233 Valor crtico de F 0,82697869

F 0,19522678

Intercepcin Variable X 1 Variable X 2

Coeficientes Error tpico Estadstico t Probabilidad 0,01228862 0,04487075 0,27386707 0,79209195 -0,23976642 0,39281205 -0,61038459 0,5608931 -0,1024898 0,3886021 -0,26373968 0,79957601

Inferior 95% -0,09381385 -1,16861931 -1,02138775

Superior Inferior 95% 95,0% 0,1183911 -0,09381385 0,68908647 -1,16861931 0,81640816 -1,02138775

Superior 95,0% 0,1183911 0,68908647 0,81640816

Entonces con la informacin de las tablas ANOVA construimos la prueba F;

F=

(0,14054 0,1012769 ) / 2 = 0,96989 (0,1012769 / 5)

Finalmente, realizamos el test F (para F=0.96989 con 2 y 5 grados de libertad), donde el resultado obtenido es de 0.4406. Puesto que el nivel de significancia de F(2,5)=0.96928 es 0.44081152, no se puede rechazar H0.

64

3.10. TEST DE ESTABILIDAD (CAMBIO ESTRUCTURAL)

Al estimar una regresin se asume que los coeficientes son estables a travs del tiempo, sin embargo esto puede ser falso. La prueba para cambio estructural es una F implementada por Chow (1960), tal como veremos. Si el periodo total, que contiene T observaciones, puede ser descompuesto en 2 conjuntos independientes de datos con tamaos T1 y T2 (que no tienen por qu sumar T), la ecuacin de regresin es: Para el 1 grupo: Para el 2 grupo:

y1 = 10 + 11x1 + 12 x2 + ... + 1k xk + e1

y2 = 20 + 21x1 + 22x2 + ... + 2k xk + e2

Una prueba de estabilidad de los parmetros entre las poblaciones es la siguiente hiptesis simultnea:

Ho : 10 = 20 ; 11 = 21; 12 = 22 ;...; 1k = 2k
Para esto usamos el test de razn de verosimilitud:

(inexistencia de cambio estructural)

(SCErr Restr SCErr no Restr )

F=
haciendo : SCErr Restr : calculando el modelo para el periodo total SCErr No Restr : calculando por separado el modelo en cada uno de las submuestras y luego sumndolas. m : el nmero de restricciones, es decir el nmero de parmetros (incluyendo el intercepto) T-k : los grados de libertad del denominador son la suma de los grados de libertad de cada una de las regresines de las submuestras. Para la implementacin de dicho test se requiere que se corra una regresin para el periodo total (modelo restringido) y dos regresines para cada periodo (modelo no restringido). El primero es un modelo restringido pues asume que los coeficientes a travs del tiempo son estables, es decir, no tienen un cambio significativo en el valor de los coeficientes a travs del tiempo. En cambio el otro modelo acepta la posibilidad de cambios en la magnitud de los coeficientes. Ntese que puesto que se estimarn 3 regresiones se requiere una cantidad suficiente de observaciones en cada submuestra. Ejemplo: Se tiene la siguiente informacin sobre ahorro e ingreso del Reino Unido 19461963 (millones de libras), y se desea determinar si existe un cambio estructural del perodo 1946-1954 versus 1955-1963 ('Tabla 3'). a) Primero corremos una regresin para el modelo restringido (todo el periodo), fijando la atencin en los resultados de la tabla ANOVA. Residuos 16 0,57222646

SCErr no Restr

m F(m,T K) T K

b) Luego descomponemos las observaciones en dos submuestras (la primera desde 1946 a 1954 y la segunda de 1955 a 1963) y se corren regresines separadas de las submuestras. Los resultados son:

65

Residuos Residuos

7 7

0,13965034 0,19312074

c) Para la prueba F, tanto la SCErrNR como los grados de libertad del denominador, sern la suma de los valores respectivos entregados para ambas submuestras.

(0,572 (0,13965 + 0,193)) F= (0,13965 + 0.193) 14

d) Finalmente; =DISTR.F(5,03706;2;14) = 0,02249279 Puesto que el nivel de significancia es menor a 5%, rechazamos la hiptesis nula, lo que implica que nos inclinamos a favor de la existencia de cambio estructural. Ntese que en esta prueba tambin puede ser implementada a travs de variables dummies, llegando a conclusiones equivalentes.

2 = 5,03706

3.11. ESTIMANDO REGRESINES RESTRINGIDAS

En muchas ocasiones se requiere efectuar estimacines de modelos en que deben imponerse restricciones sobre los coeficientes. El ejemplo tpico de estimaciones restringidas ocurre en la estimacin de funciones de costo translogaritmicas, la que se puede transcribir de la siguiente manera:

ln C =

o +

i =1

i ln Qi +

j =1

jln Wj +

1 m m ik ln Qi ln Qk + 2 i =1 k =1 1 n n js lnWj ln Ws + 2 j =1 s=1

i =1 j =1

ij ln Qi ln Wj

donde: 0 = intercepto C = costos totales Qi = productos que fabrican las empresas Wj = insumos requeridos para producir los productos La funcin de costos tiene que ser linealmente homognea y cncava en Wj, y creciente en Qi y Wj, por lo tanto, esta ecuacin debe estar sujeta a las siguientes restricciones:

j =1

j = 1 ;

j =1

js = 0 ;

j =1

ij = 0 ; ik = ki ; js = sj

En programas como RATS, esto puede hacerse fcilmente. Lamentablemente Excel no tiene implementada esta caracterstica.

66

CAPTULO 4 VIOLACIN DE ALGUNOS SUPUESTOS

Ahora nos concentraremos en el caso en que los errores estn mal comportados, es decir, cuando la matriz de covarianzas de los errores V=E['] ya no es escalar Identidad 15, sino que E[']=2, con una matriz definida positiva, de modo que pueden ocurrir dos casos simples: - V diagonal, pero con elementos distintos (heterocedasticidad). - V no diagonal (autocorrelacin). Anteriormente mostramos que en cualquiera de estas condiciones el estimador b de MCO es insesgado 16, y que para calcular la matriz de varianzas de los coeficientes a travs de MCO ya no puede hacerse la siguiente simplificacin:

E [(b )(b )'] = ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

= ( X ' X ) 1 X ' 2 I X ( X ' X ) 1 = 2 ( X ' X ) 1
sino que tendremos:

E [(b )(b )' X ] = 2 ( X ' X ) 1 X ' X ( X ' X ) 1

de tal modo que si se usa errneamente 2(X'X)-1 se sobrestimar o subestimar la verdadera matriz de varianzas. An as, MCO es til en la mayora de las situaciones, y aun cuando se violen algunos de stos supuestos, la estimacin de los parmetros por este mtodo sigue siendo consistente aunque ya no eficiente, es decir no con el menor error.

Equivale a decir que los errores ya no son IID. Suponiendo que se mantiene la independencia de los regresores con el trmino de error, pues si esto no ocurriera, a travs de MCO se generan estimadores inconsistentes. Este problema ser dejado para un anlisis posterior.
16

15

67

4.1. MNIMOS CUADRADOS GENERALIZADOS

En este captulo mostraremos que si se usa el procedimiento de Mnimos Cuadrados Generalizados (MCG) 17 se tendrn estimadores que superan el problema de errores mal comportados, los que como sabemos, tienen la propiedad de ser MEI. El procedimiento de Mnimos Cuadrados Generalizados consistente en transformar la ecuacin de regresin con errores mal comportados (E[']=2, conocida) multiplicndola por una determinada matriz P (TxT) a fin de obtener errores con media cero y matriz de covarianzas escalar identidad (errores bien comportados). En este caso el estimador de los coeficientes de regresin es:

b = ( X ' 1 X ) 1 X ' 1Y
con

E [(b )(b )' X ] = 2 ( X ' 1 X ) 1

de modo que b de MCG es MELI para el caso de E['] no esfrica (es decir mal comportada) pero conocida. En caso de usar MCO bajo E['] no esfrica, la verdadera matriz de varianzas y covarianzas, cuando conocemos la naturaleza de E['] debera ser la siguiente:

E [(b )(b )'] = 2 ( X ' X ) 1 X ' X ( X ' X ) 1

Sin embargo, usar MCO entregar errneamente la siguiente matriz:

E [(b )(b )'] = 2 ( X ' X ) 1

que es menor a la anterior, de modo que la existencia de heterocedasticidad / autocorrelacin lleva siempre a una sobreestimacin de los valores t (es decir errores menores a los verdaderos). Entonces se genera un estimador sesgado de la matriz de covarianzas de los coeficientes. Adems se tienen slo resultados asintticos 18.

17

Puesto que es asumido que la forma de la matriz de covarianza de las perturbaciones es conocida, entonces el procedimiento de solucin consiste en aplicar MCGeneralizados. 18 Puesto que el estadstico t ya no es una variable normal dividido por su desviacin estndar aproximada (el estimador b de MCO es ineficiente), y adems el test F tampoco ser vlido (vase Judge 342).

68

4.2. HETEROCEDASTICIDAD
La heterocedasticidad o varianzas de los errores no constantes no suele presentarse en series de tiempo, sino que en datos de corte transversal. En el modelo lineal general, hemos dicho que la heterocedasticidad ocurre cuando los elementos de la diagonal de la matriz no son todos idnticos:

y = X + e E ( e) = 0 E (ee' ) = =
2

(1)

donde es una matriz cuadrada semidefinida positiva distinta a 2I. En la prctica esto puede ocurrir, por ejemplo, debido a que ingresos familiares menores tienden a gastar a un ritmo ms constante (en primera necesidad), mientras que las rentas ms altas tienden a gastar ms errticamente.

Ejemplo: Supongamos que tenemos informacin sobre de consumo e ingreso de 20 familias (Tabla 4 del Anexo al final del libro). Ordenamos las series en forma ascendente, en base al ingreso. Luego graficamos (scatter).

Ingreso - Consumo
50,0 40,0 Ingreso 30,0 20,0 10,0 0,0 0,0 10,0 20,0 30,0 40,0 50,0 Consumo

; notamos que efectivamente a mayores niveles de rentas existe una mayor volatilidad, es decir evidencia de heterocedasticidad. Lamentable cuando se trata de modelos mltiples este tipo de grfico no tendr sentido, aunque un grfico de los residuos de la regresin respecto a la serie de variable dependiente entregar alguna evidencia. Luego graficamos el consumo versus los errores (click en Grfico de Residuales);

69

Ingreso Grfico de los residuales

2,5 2 1,5 1 0,5 0 -0,5 0,0 -1 -1,5 -2 -2,5 -3 Ingreso 10,0 20,0 30,0 40,0 50,0

Ahora se ve ms claramente la existencia de heterocedasticidad.

4.2.1. CORRECCIN CON MCG ( CONOCIDA)

Supongamos que la matriz de covarianzas de los errores tiene la siguiente forma:

12 0 0 2 0 2 0 2 E (ee' ) = = 0 0 3 ... ... ... 0 0 0

Residuos

0 0 2 2 2 2 ... 0 = diag ( 1 , 2 , 3 ,... T ) ... 2 ... T ... ...

Puede verificarse que la transformacin de MCG apropiada es:

1 / 1 0 P= 0 ... 0

0 1/ 2 0 ... 0

0 0 1/ 3 ... 0

... ... ...

0 0 1 1 1 1 0 = diag ( 1 , 2 , 3 ,... T ) ... ... 1 / T

puesto al multiplicar el modelo heterocedstico en (1), se tiene que as la varianza de los errores resultante es homocedstica (una constante igual a 1).

En efecto: Y = X + e /P

PY = PX + Pe

70

Y* = X** + e* La varianza de los errores del modelo anterior es: V(e*) = P2V(e) = I = una constante (homocedaticidad) es decir:

var( *) = E ( ) = E t t
*2 t

=1

El procedimiento de MCG es entonces es dividir cada observacin por la desviacin estndar del error correspondiente a esa observacin, procedimiento que se llama Mnimos Cuadrados Ponderados.

71

4.2.2. DETECCION DE LA HETEROCEDASTICIDAD

El procedimiento inicial de deteccin es el grfico, pero muchas veces el patrn de la heterocedasticidad no puede ser apreciado grficamente, de modo que existe una batera de tests para la hiptesis: Ho: Homocedasticidad entre los cuales destacamos, para el ejemplo anterior, los siguientes:

1.- Test de Goldfeld y Quandt (1972) Es un test F, en que se comparan los residuos de regresines corridas a dos partes distintas de la muestra, de modo que se requiere un nmero relativamente alto de observaciones. a) Primero ordenamos por X ( por Y sin son varias X). Dividimos T en 2 grupos (a veces se sugiere dejar libre en el medio algunas). b) Se corren regresines separadas para cada una y se guarda la Suma Cuadrada de Errores y los grados de libertad. En la prueba F se sugiere dejar la mayor varianza en el numerados, y la menor varianza en el denominador. Ejemplo: Tomemos el caso del consumo explicado por el ingreso 'Tabla 04.xls', descomponiendo las observaciones en 2 submuestras de 10 observaciones cada una. La salida para la primera regresin es; Solucin: Para la 1 regresin

Regresin Residuos Total

Para la 2 regresin:

Grados de libertad Suma de cuadrados 1 1449,390497 8 20,649503 9 1470,04

Regresin Residuos Total

Grados de libertad Suma de cuadrados 1 654,8411093 8 10,24789069 9 665,089

c) Se calcula el test F y su significancia

SCErr2 gl 2 10,25 / 8 = = 0,49 F= SCErr1 20,65 / 8 gl1

F tabulado =Distr.F.inv(0,05;8;8)=3,43 NSM =Distr.F(0,49;8;8)=0,82

72

;* concluimos que en este ejemplo no tenemos evidencia suficiente para rechazar homocedasticidad. 2.- Arch Test de White (1980): Es una prueba Chi Cuadrado que es una variacin del test de Breush y Pagan (1979), donde se corren los residuos cuadrados contra los regresores, sus cuadrados y en algunos casos sus productos. Ejemplo : y = B0 ERR2 = X2X2 = X2X3 = X3X3 = + B1 x2 + B2 x3; los errores son almacenados en la serie ERR ERR^2 X2^2 X2^3 X3^2

err2 = b0 + b1 X2 + b2 X3 + b3 X2X2 + b4 X3X3

T R 2 2 (k )
El nmero de grados de libertad en el test chi es aqu el nmero de variables explicativas, es decir el nmero de parmetros menos 1 (menos el intercepto). Ejemplo: En nuestro caso, 'Tabla 04.xls', luego de corrida la regresin original, guardamos los errores y transformamos la series ingreso y de residuos, elevndolas al cuadrado. Obtenemos; consumo = b0 + b1 ingreso err2 = ERR^2 X2X2 = ingreso^2 Corremos ahora una regresin de los residuos cuadrados contra ingreso e ingreso al cuadrado. err2 = b0 + b1 ingreso + b2 X2X2 chistat = 0,8781*20 = 17,6 Chi tabulado = Pruebachi.inv(0,05;2) = 5,99 NSM = distr.chi(17,6;2) = 0.00015360 * y hay evidencia para rechazar homocedasticidad.

Centramos la atencin en el resultado de R-Cuadrado, ya que ste multiplicado por el nmero de observaciones nos permitir obtener el estadstico Chi-2 para la obtener el nivel de significancia. En este caso; Chistat = 0.878*120 = 17.56. Finalmente, realizamos el test Chi; 1-CDF.CHISQ(17.56,2) = 0.000154; el nmero de grados de libertad en el test chi es aqu el nmero de variables explicativas, es decir el nmero de parmetros menos el intercepto.

73

3.- Arch Test de Engle (1982): Para el caso de error del tipo ARCH(1), es decir:

u t N (0, 2 (1 + u 2 t 1 ))
el test consiste en regresionar los residuos al cuadrado sobre su 1 rezago. Para el caso de error del tipo ARCH(2), se regresionan los residuos al cuadrado sobre su 1 rezago y 2 rezago. As sucesivamente. Ejemplo: Para el ejemplo anterior, los residuos al cuadrado se rezagan 1, 2 y 3 observaciones, es decir se hace una especificacin ARCH(3). Los resultados relevantes de la regresin son; consumo = b0 + b1 ingreso err2 = err^2 err2 = b0 + b1 err2{1} + b1 err2{1} + b1 err2{1} ;especificacin ARCH(3) chistat = 0,2257*17 = 3,83 Chi Tabulado = pruebachi.inv(0,05;3)=7,814 NSM=distr.chi(3,83;3)=0,27 Y no se rechaza Ho.

Nuevamente para obtener el estadstico Chi se multiplica el R-Cuadrado por el nmero de observaciones.

74

4.2.3. CORRIGIENDO POR HETEROCEDASTICIDAD: MC PONDERADOS

Los modelos de regresin tpicos asumen que la varianza es constante en la poblacin. Si las diferencias de variabilidad se pueden estimar a travs de otra variable, es posible calcular los coeficientes mediante mnimos cuadrados ponderados (MCP), de manera que se les de mayor ponderacin a las estimacines mas precisas (es decir, aquellas con menos variabilidad) al determinar los coeficientes de regresin. Algunos programas de computacin calculan el procedimiento 'Weight Estimation', que contrasta varios tipos de transformaciones de ponderacin, e indica cual se ajustar mejor a los datos. Puesto que en general no se conoce exactamente la forma de la heterocedasticidad, lo ms comn para intentar reducirla es deflactar/ponderar a partir de alguna medida de tamao. Una alternativa similar es transformar los datos a travs de logaritmos. Para explicar el mtodo de MC Ponderados, supongamos que se tiene el siguiente modelo de regresin lineal simple:

yt = 1 + 2 xt + et
En el caso ms simple, se desea corregir por heterocedastididad usando la misma variable xt. Para esto debe multiplicarse el modelo original como sigue:

yt xt

1
xt

+ 2
yt xt

xt xt

et xt

yt* =
* x1t =

1 xt
xt xt

* x 2t =

De este modo, el modelo a estimar (corregido) es el siguiente:

* * y t* = 1 x1t + 2 x 2t + et*

Ntese que para estimarlo debe correrse una regresin con 2 variables explicativas y sin intercepto. Ejemplo: Una empresa area desea calcular el consumo de combustible por viaje de sus aviones (C, en miles de litros de kerosene), en funcin de la distancia recorrida por los mismos (D en miles de kilmetros). Se tiene tambien el nmero de pasajeros que transportan (P) (ver tabla de datos abajo). Para ello usa el siguiente modelo:

C j = 0 + 1 D j + e j
Se desea correr mnimos cuadrados ponderando por P. Haciendo las transformaciones paso a paso, debemos generar nuevas series multiplicando las originales por en inverso de la raiz cuadrada de la serie Pasajeros.

75

y* = Kerosene / (pasajero) ^0.5 x2* = Kilometro / (pasajero) ^0.5 La segunda variable del modelo (que corresponde al intercepto) es: x1* = 1 / (pasajero) ^0.5
Kerosene 11 14 10 13 16 13 13 18 9 10 kilometros 23 29 21 27 30 29 25 35 20 22 pasajeros 93 91 105 90 99 80 100 100 96 92 K* x1* x2* 1,14064686 0,10369517 2,3849889 1,46759877 0,10482848 3,04002603 0,97590007 0,09759001 2,04939015 1,37032032 0,10540926 2,84604989 1,6080605 0,10050378 3,01511345 1,45344419 0,1118034 3,24229857 1,3 0,1 2,5 1,8 0,1 3,5 0,91855865 0,10206207 2,04124145 1,04257207 0,10425721 2,29365855

La regresin debe correrse sin intercepto:

Estadsticas de la regresin Coeficiente de correlacin mltiple 0,9986603 Coeficiente de determinacin R^2 0,9973224 R^2 ajustado 0,8719877 Error tpico 0,0772815 Observaciones 10 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de Suma de los cuadrados cuadrados 2 17,7963658 8,89818291 8 0,04777944 0,00597243 10 17,8441453 Valor crtico de F 6,2323E-10

F 1489,87641

Intercepcin x1* x2*

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% 0 #N/A #N/A #N/A #N/A -2,32157884 1,41944525 -1,63555364 0,14057161 -5,59482547 0,5739753 0,05351484 10,7255345 5,0199E-06 0,45056985

Superior Inferior 95% 95,0% #N/A #N/A 0,95166778 -5,59482547 0,69738074 0,45056985

Superior 95,0% #N/A 0,95166778 0,69738074

Los resultados de esta regresin se asume entonces que estn libres del problema de la heterocedasticidad (habra que verificarlo). Lamentablemente el procedimiento de MCPonderados afecta la interpretacin de los coeficientes de la regresin.

76

4.3. CORRELACIN SERIAL

La correlacin serial ocurre cuando el trmino de error de un periodo est correlacionado con el de otro periodo. Ocurre principalmente en series de tiempo. Posibles motivos para la aparicin de correlacin serial son el sesgo de especificacin (una forma funcional incorrecta o variables excluidas) y los modelos autorregresivos (donde los errores son intrnsecamente correlacionados), es decir aquellos modelos en que aparece como variable explicativa la variable explicada rezagada (Yt-1). La especificacin siguiente define un modelo lineal general con errores auto correlacionados de 1 orden, AR(1):

y = X + t = t 1 + v t E (v ) = 0 E (vv' ) = v I
2

donde es el coeficiente de correlacin entre los errores sucesivos, e es el error auto correlacionado, y v es un error bien comportado. Al igual que en el caso de la heterocedasticidad, en los casos simples es posible detectar esta anomala graficando los residuos, como veremos en el siguiente ejemplo: Ejemplo: Supongamos que disponemos de informacin anual de inventarios (Y) y de ventas (X) en una determinada regin (Inventarios_Ventas.xls). Luego graficamos inventarios versus los errores.

15 10 5 Errores 0 0 -5 -10 -15 Inventario 50 100 150 200 250

El grfico muestra que efectivamente los errores poseen un patrn cclico, lo que en este caso se traducira en errores auto correlacionados positivamente.

77

4.3.1. CORRECCIN CON MCG ( CONOCIDA)

Puede mostrarse que en el caso de un proceso AR(1) 19 de los errores la esperanza y covarianza de stos es respectivamente como sigue:

E ( ) = 0 Var ( ) =

v2 1 2

v2 E ( t t 1 ) = E ( t21 ) + E ( t 1 v t ) = e2 = 1 2 v2 E ( t t s ) = = 1 2
s 2 e s

donde la correlacin entre cualquier par de errores es s, y entre errores consecutivos es . Haciendo sustitucin recursiva puede tambin mostrarse que el error auto correlacionado puede escribirse como un proceso autorregresivo:

t = vt + vt 1 + 2 vt 2 + ... = i v t i
i =0

y cuando ||<1 se dice que el proceso autorregresivo es estacionario, es decir la media y varianza de e no cambian a travs del tiempo. En este caso puede mostrase que la matriz de covarianzas de los errores tiene la siguiente forma:

1 2 v 2 =v = 1 2 T 1

T 1 T 2
1

T 2

y que la matriz P apropiada para efectos de correccin por MCG es:

1 2 P= 0 ... 0

0 ... 0 ... ... 1 ... ... ... 0 ...

0 1

0 0 0 ... 1

En efecto, al multiplicar la matriz Y y la matriz X por P (es decir implementar MCG) se generan las siguientes series nuevas para Y y para (no incluimos la transformacin de X pues es trivial):

19

El concepto de procesos autorregresivo (AR) y procesos ARIMA son desarrollados en el captulo 8 y 9.

78

 1 2 P Y = 0 0

0 1 0

0 0 1

0 Y1 Y1 1 2 0 Y2 Y2 Y1 . 0 . = . . Y Y Y 1 T T T 1

1 2 P = 0 0

0 1 0

0 0 1

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

Puesto que anteriormente especificamos que

t = t 1 + vt , tal que V estaba bien comportado,

entonces el nuevo error en el modelo transformado (P=*) est efectivamente bien comportado, con lo cual se corrige el problema de errores autocorrelacionados. Ntese que la solucin de la correlacin de 1 orden consiste en calcular primeras diferencias a las series, es decir restar a cada valor de Y su valor anterior, multiplicado por , es decir Yt*=Yt-Yt-1. Este procedimiento particular de MCG es llamado Primeras Diferencias Generalizadas. Note que si =1, se tienen primeras diferencias simples.

79

4.3.2. DETECCION DE AR(1): DURBIN-WATSON (1951)

Si bien el procedimiento inicial de deteccin es normalmente el grfico (errores versus X, Y 20), el procedimiento de Durbin-Watson (DW) es el estndar. El test de DW mide solamente la asociacin entre residuos adyacentes (correlacin serial de 1 orden) y requiere un intercepto en la regresin. El test de DW es el siguiente:

d=

T t =2

(e t e t 1 ) 2
T t =1

et2

el que puede mostrarse se encuentra entre 0 y 4, tal que: Si d cercano a 0, existe correlacin de 1 orden en los residuos positiva. Si d cercano a 2, no hay correlacin de 1 orden Si d cercano a 4, la correlacin es perfecta negativa. Para probar Ho: no existe correlacin, Durbin-Watson tabularon las zonas de indecisin buscadas en la tabla de DW para T observaciones y K parmetros y un error de % es como sigue: dl y du = son los lmites inferior y superior de la zona de indecisin para el caso de sospecha de autocorrelacin positiva. Deben buscarse en una tabla. 4-du y 4-dl = son los lmites inferior y superior de la zona de indecisin para el caso de sospecha de autocorrelacin negativa. En trminos grficos:

Z o n a s d e in d e c is i n

dl

du

4 -d u

4 -d l

A R p o s itiv a

No AR

A R N e g a tiv a

Note que cuando T es grande, al resolver la suma del binomio al cuadrado en el numerador, el primer trmino al cuadrado es igual al segundo trmino al cuadrado, entonces:

d 2 1

ee e
t

t 1

2 t

~ = 2(1 )

A diferencia de la deteccin grfica de la heterocedasticidad, aqu los errores al cuadrado normalmente no son de utilidad.

20

80

donde es el coeficiente de correlacin estimado entre et y et-1. Luego, conocido el valor del test de Durbin-Watson, d, podemos despejar un estimador de , puesto que =1-d/2. Ejemplo: En el ejemplo anterior de inventario y ventas (Inventarios_Ventas.xls), corremos la regresin como de costumbre, y calculamos paso a paso el test Durbin-Watson:
Et -3,14065594 -3,21951873 -2,11951873 -2,89811373 -3,87155832 -4,06072192 -5,2970425 -1,85965069 2,23004851 1,93058412 4,30998253 8,95198913 4,89453134 -1,08867844 -1,00305841 12,9459732 10,3093848 2,40584127 -7,3714147 -12,0484029 Et-1 -3,14065594 -3,21951873 -2,11951873 -2,89811373 -3,87155832 -4,06072192 -5,2970425 -1,85965069 2,23004851 1,93058412 4,30998253 8,95198913 4,89453134 -1,08867844 -1,00305841 12,9459732 10,3093848 2,40584127 -7,3714147 (Et-Et-1)^2 0,00621934 1,21 0,60621016 0,94759438 0,03578287 1,5284886 11,8156625 16,7256396 0,08967892 5,66153679 21,5482253 16,4629637 35,7987993 0,00733079 194,575484 6,95159836 62,4660009 95,5947342 21,8742182 493,906167 Et^2 9,86371971 10,3653009 4,49235967 8,39906318 14,9889638 16,4894625 28,0586593 3,4583007 4,97311637 3,72715506 18,5759494 80,1381094 23,956437 1,18522074 1,00612617 167,598223 106,283416 5,78807221 54,3377546 145,164011 708,849421

Luego d = 493,9 / 708,849 = 0,6967. Puesto que T=20, y K=2, buscamos en la tabla de DW al 5%, y dl=1.201 y du=1.411 que constituye el rango de indecisin. Puesto que 0.69677 < 1.201 tenemos evidencia suficiente para rechazar la hiptesis nula a cambio de AR positiva.

81

82

4.3.3. DETECCION EN MODELOS CON Y REZAGADA: Test h de Durbin

El test de DW es sesgado cuando existen variables dependientes rezagadas (yt-1) y en los modelos de tiempo del tipo ARMA. En el primer caso debe usarse el test h de Durbin (1970), que es ms simple y robusto en este tipo de situaciones. En efecto, cuando se tiene un modelo con variables explicativas rezagadas (un modelo AR), entonces esa variable se relaciona con el trmino de error, lo que viola gravemente un supuesto del sistema lineal, entregando estimaciones sesgadas e inconsistentes del coeficiente de yt-1. Tambin el estadstico DW estara sesgado hacia 2, de modo que en muchos casos no detectaramos correlacin aunque existiera. El test h de Durbin para detectar AR (Ho: no autocorrelacin), es el siguiente:

h=

T N (0,1) 1 T V (b1 )

Como se ve, este test es de carcter asinttico (vlido en grandes muestras) y se distribuye normal estndar, de modo que lamentablemente tiene bajo poder para muestras pequeas. Aqu V(b1) es la varianza del coeficiente que contiene la serie Y rezagada. puede ser obtenido a partir del test DW anterior. Note que no est definido para T*V(b1)>0, de modo que en este caso h=0. Ejemplo: Una estimacin de demanda por alimentos, con T=50 entrega el siguiente resultado: Log Qt = 0.65 - 0.31 log Pt + 0.45 log Yt + 0.65 log Qt-1 Err st (0.14) (0.05) (0.20) (0.14) R2 = 0.90 y DW = 1.8 La varianza del coeficiente de Qt-1 es 0.14**2 = 0.0196. H = 0.1 * (50/(1-50*0.0196))**0.5 = 5.0 (vs. 2.575) que es significativo al 1% y rechazamos =0. Ejemplo: Un clculo ms general para el test es el siguiente: LINREG Y # CONSTANT Y{1} X1 X2 COM DENOM=1-%NOBS*%SEESQ*%XX(2,2) IF DENOM>0 COM H=%RHO*SQRT(%NOBS/DENOM) ELSE COM H=0.0 END IF CDF NORMAL H Esto es, usando un ciclo que determinar automticamente si el denominador es cero o no, y aplicando en cada caso el test que corresponda.

83

4.3.4. DETECCIN DE LA AUTOCORRELACIN DE ORDEN SUPERIOR

a) Test de BREUSCH (1978) Y GODFREY (1978) Es una generalizacin Chi cuadrada en base al test LM del test h de Durbin, y permite probar Ho: inexistencia de correlacin de orden N. Generalmente se prueba para 3 orden:

H 0 : 1 = 2 = 3 = 0

Ejemplo: En el ejemplo anterior de inventario y ventas (Inventarios_Ventas.xls), corremos una regresin guardando los errores. Luego, regresionamos el inventario (Y) contra las ventas y los errores rezagados desde 1 a 3.
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Inventario 58,2 60 63,4 68,2 78 84,7 90,6 98,2 101,7 102,7 108,3 124,7 157,9 158,2 170,2 180 198 Ventas 33,4 35,1 37,3 41 44,9 46,5 50,3 53,5 52,8 55,9 63 73 84,8 86,6 98,8 110,8 124,7 Et-1 -2,11951873 -2,89811373 -3,87155832 -4,06072192 -5,2970425 -1,85965069 2,23004851 1,93058412 4,30998253 8,95198913 4,89453134 -1,08867844 -1,00305841 12,9459732 10,3093848 2,40584127 -7,3714147 Et-2 -3,21951873 -2,11951873 -2,89811373 -3,87155832 -4,06072192 -5,2970425 -1,85965069 2,23004851 1,93058412 4,30998253 8,95198913 4,89453134 -1,08867844 -1,00305841 12,9459732 10,3093848 2,40584127 Et-3 -3,14065594 -3,21951873 -2,11951873 -2,89811373 -3,87155832 -4,06072192 -5,2970425 -1,85965069 2,23004851 1,93058412 4,30998253 8,95198913 4,89453134 -1,08867844 -1,00305841 12,9459732 10,3093848

Calculamos el estadstico Chi-2 multiplicando el R2 por T (0,991*17=16,84). Chi Tabulado = prueba.chi.inv(0,05;3)=7,81 NSM = distr.chi(7,81;3)=0,000759. Es decir existe AR hasta 3 orden.

84

b) Test Q de Ljung y Box (1978) (Box-Jenkins model identification) 21 En un test muy popular para detectar correlacin serial de altos rdenes, aunque sus resultados son tambin asintticos, es decir tiene baja potencia para correlaciones de bajos rdenes.

Q( M ) = T (T + 2)
i =1

ri 2 (T i )

2 (M )

donde ri es el coeficiente de autocorrelacin de los residuos al i-simo rezago. M es el nmero de autocorrelaciones usadas, es decir M=1; M=2; etc, y la hiptesis es: Ho: los coeficientes de correlacin son cero, 1, 2, 3.....M=0 Se sugiere que la hiptesis se establezca de 1 = 0 hasta M, donde M es dado por:

T M = min , 3 T 4
excepto para modelos ARIMA, en que el nmero de grados de libertad es M-(nmero de parmetros ARMA). Nota: Cuando se calculan autocorrelaciones para pruebas de correlacin serial y evaluacin de modelos de autocorrelacin, es deseable usar el mismo divisor a cualquier rezago, lo que preserva varias propiedades deseables para varias consideraciones relacionadas con series de tiempo. Es decir, se recomienda:

rt ,t i =

e e
t =2 T t

t i

e
t =1

en lugar de rt ,t i =

e e
t =2 t T T t =2

t i

2 t

et2 et2i
t =2

En consecuencia, por este motivo los resultados de esta prueba pueden variar levemente. Ejemplo: En el ejemplo anterior (Inventarios_Ventas.xls) se desea calcular el test Q para diferente nmero de rezagos, desde 1 a 5. Los resultados usando la frmula de clculo anterior es:

0,6136 2 2 Q(1) = 20(22) = 8,71 (1) = 3,84 20 1 0,6136 2 0,040 2 2 Q(2) = 20(22) + = 8,75 (2) = 5,99 20 2 20 1 0,6136 2 0,040 2 0,232 + + Q(3) = 20(22) = 10,23 20 2 20 3 20 1

2 (3) = 7,81

21

Un test previo (ya obsoleto) fue el de Box-Pierce(1970):

Q * (k ) = T ri 2 2 (k )
i =1

85

Ljung-Box Q-Statistics Q(1) = 8,71. NSM= 0,003149 Q(2) = 8,75. NSM= 0,01258 Q(3) = 10,23. NSM= 0,01670 Luego, hay evidencia de autocorrelacin hasta el 3 orden al 1% pero no al 5%.

86

4.3.4. CORRIGIENDO LA AUTOCORRELACION EN EXCEL

4.3.4.1. Primeras Diferencias Hemos dicho que la forma de corregir la autocorrelacin de errores de primer orden en RATS es a travs de primeras diferencias generalizadas (PDG), para lo cual es requerido una estimacin del coeficiente de correlacin de los errores (). La forma ms simple es obtener una estimacin de a partir del estadstico DW, sin embargo veremos mtodos ms precisos de estimacin a travs de la instruccin AR1. Veamos la implementacin de PDG a travs de un ejemplo: Ejemplo: En el ejemplo de inventarios y ventas (Tabla 5):

el modelo sin corregir:

Intercepcin Ventas

Coeficientes Error tpico Estadstico t 6,60808463 3,32914979 1,98491659 1,631438 0,05097468 32,0048706

Durbin Watson: 493,906/798,848=0.69677. Puesto que dl=1,2 y du=1,41, hay evidencia de autocorrelacin de 1 orden positiva.

a) Aplicando Primeras Diferencias:

Intercepcin dX

Coeficientes Error tpico Estadstico t 0,98563788 1,76329147 0,55897615 1,33869576 0,26216392 5,10633114

Durbin Watson: 782,18/456,26=1,71. Puesto que dl=1,18 y du=1,40, no hay evidencia de autocorrelacin de 1 orden positiva.

87

b) Aplicando Primeras Diferencias Generalizadas: = 1-%DURBIN/2 = 0.65161 es la estimacin de basada en DW T 1 2 ... T Y(*) (1-^2)^0,5 * Y Yt-Yt-1 ... Yt-Yt-1
Y(*) 40,1275 19,3298 19,8434 22,4266 22,0763 24,3034 26,8879 33,5602 33,8744 35,4086 39,1641 37,7119 36,4313 41,3797 54,1306 76,6442 55,3108 67,1153 69,0960 80,7102

Intercepto (1-^2)^0.5 1- ... 1-

intercepto 0,7586 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484 0,3484

X(*) (1-^2)^0,5 * X Xt-Xt-1 ... Xt-Xt-1

X(*) 22,9842 11,1562 10,7653 13,2653 13,3362 14,4285 16,6949 18,1840 17,2427 20,0001 20,7240 17,9389 21,4950 26,5750 31,9486 37,2325 31,3435 42,3706 46,4209 52,5016

La regresin a correr (sin intercepto) es Y(*) = B1*Intercepto + B2*X(*)

Estadsticas de la regresin Coeficiente de correlacin mltiple 0,99495861 Coeficiente de determinacin R^2 0,98994264 R^2 ajustado 0,93382834 Error tpico 4,83628351 Observaciones 20

Intercepcin intercepto X(*)

Coeficientes Error tpico Estadstico t 0 #N/A #N/A 9,83147214 5,79735915 1,69585356 1,56026736 0,08129833 19,1918757

Puesto que el nuevo Durbin-Watson = 1.259994 y dl=1.201 y du=1.411, se est ahora en la zona de indecisin.

88

4.3.4.2. PDG: Mtodos Alternativos Existen varias opciones para la estimacin del coeficiente . a) Mtodo iterativos: El principal mtodo es el de Cochrane-Orcutt (1949), que corresponde a la opcin CORC en RATS. Consiste en correr el modelo original y guardar los residuos. Luego correr los residuos contra los residuos rezagados (sin intercepto). Implementar PDG, calcular los residuos sobre el modelo original pero con los nuevos coeficientes estimados y estimar nuevos residuos. Correr nuevamente PDG usando la ultima estimacin de . As sucesivamente hasta converger en la estimacin de . Estos mtodos iterativos son ms rpidos, sin embargo no garantizan que se encuentre el ptimo. Si hay variables dependientes rezagadas CORC entrega un resultado sesgado, y debe usarse HILU. b) Mtodo no iterativos: El principal es el de Hidreth-Lu (1960), que corresponde a la opcin HILU en RATS. Consiste en calcular PDG usando diferentes valores de entre -1 y 1. Se escoge aquel que entregue la menor Suma Cuadrada de Residuos. En muestras grandes entrega el mismo resultado de Mxima Verosimilitud. Otros mtodos basados en el criterio de mxima verosimilitud se implementan en RATS con la opcin SEARCH y con MAXL. Podemos verificar estos resultados usando la instruccin AR1 con la opcin CORC y MAXL de RATS siguiendo el ejemplo anterior. Ejemplo: La correccin de Cochrane-Orcutt: AR1(METHOD=corc) inventario # CONSTANT ventas Dependent Variable INVENTARIO - Estimation by Cochrane-Orcutt Annual Data From 1980:01 To 1998:01 Usable Observations 19 Degrees of Freedom 16 Centered R**2 0.989581 R Bar **2 0.988278 Uncentered R**2 0.998409 T x R**2 18.970 Mean of Dependent Variable 105.87894737 Std Error of Dependent Variable 46.17620333 Standard Error of Estimate 4.99934157 Sum of Squared Residuals 399.89465850 Durbin-Watson Statistic 1.443620 Q(4-1) 6.140217 Significance Level of Q 0.10498413 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 15.871887522 9.651170285 1.64456 0.11956256 2. VENTAS 1.492261658 0.113915934 13.09967 0.00000000 ******************************************************************************* 3. RHO 0.743057461 0.197925645 3.75423 0.00173224 ;* el coeficiente estimado es 0.743057461

89

Ejemplo:

La correccin de Hidreth-Lu AR1(METHOD=hilu) inventario # CONSTANT ventas Dependent Variable INVENTARIO - Estimation by Hildreth-Lu Annual Data From 1980:01 To 1998:01 Usable Observations 19 Degrees of Freedom 16 Centered R**2 0.989581 R Bar **2 0.988278 Uncentered R**2 0.998409 T x R**2 18.970 Mean of Dependent Variable 105.87894737 Std Error of Dependent Variable 46.17620333 Standard Error of Estimate 4.99934157 Sum of Squared Residuals 399.89465850 Durbin-Watson Statistic 1.443629 Q(4-1) 6.140247 Significance Level of Q 0.10498272 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 15.872102891 9.651368445 1.64454 0.11956494 2. VENTAS 1.492259063 0.113917491 13.09947 0.00000000 ******************************************************************************* 3. RHO 0.743063504 0.197924711 3.75427 0.00173206 ;* el coeficiente estimado es 0.743063504

Al implementar la correccin AR1 en RATS, por simplicidad no se considera que la primera observacin tiene un tratamiento diferente de las dems, de modo que en realidad lo que se hace es aplicar el procedimiento de PDG a las T observaciones. Verifiquemos entonces a travs del siguiente ejemplo como se implementa el procedimiento de Cochrane-Orcutt. Ejemplo: Para los datos del ejemplo de inventario y ventas, ntese que es posible verificar paso a paso el resultado de la estimacin de Cochrane-Orcutt anterior como sigue: COM RO = 0.743057461 ;* definimos como el obtenido en CORC

SET YP = inventario-RO*inventario{1} SET X2P = ventas-RO*ventas{1} SET X1P = 1-RO*1 LINREG YP # X1P X2P ... Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. X1P 15.871887527 9.363010474 1.69517 0.10828013 2. X2P 1.492261658 0.110514689 13.50284 0.00000000 ;* que corresponde al mismo resultado de CORC.

90

4.4.

ESTIMACION ROBUSTA

Si la forma de la varianza de los errores, E('), es conocida, puede ser posible obtener estimadores eficientes usando alguna forma de Mnimos Cuadrados Generalizados, tal como MCP (con opcin SPREAD en RATS) o a travs de PDG (con la instruccin AR1 en RATS). Sin embargo, si esto no ocurre, es decir, si no se tiene informacin acerca de la forma de E('), White(1980) y Newey y West (1987) mostraron que es posible obtener estimaciones robustas de los coeficientes de regresin ante autocorrelacin y heterocedasticidad, es decir resultados vlidos para grandes muestras (propiedades asintticas). Veamos la mecnica de este procedimiento, llamado estimacin robusta. Sabemos que la varianza de los coeficientes es:

cov( ) = ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

o alternativamente:

cov( ) = ( X ' X ) 1 m cov( X , ) ( X ' X ) 1

donde = son los errores del modelo de regresin X = es la matriz de variables explicatorias El procedimiento de estimacin robusta define la matriz mcov de diferentes modos, como veremos a continuacin, a efectos de corregir la varianza de los errores y por este intermedio la matriz de covarianzas de los coeficientes. Ejemplo: Si se tiene un modelo lineal del tipo observaciones como sigue. ALL 9 DATA(UNIT=INPUT,ORG=OBS) / y x1 x2 100 100 100 106 104 99 107 106 110 120 111 126 110 111 113 116 115 103 123 120 102 133 124 103 137 126 98 linreg y # constant x1 x2 Dependent Variable Y - Estimation by Least Squares Usable Observations 9 Degrees of Freedom Centered R**2 0.938502 R Bar **2 0.918003 Uncentered R**2 0.999376 T x R**2 8.994 Mean of Dependent Variable 116.88888889 Std Error of Dependent Variable 12.55432639 Standard Error of Estimate 3.59493951 Sum of Squared Residuals 77.541540508 Regression F(2,6) 45.7825 Significance Level of F 0.00023258 Durbin-Watson Statistic 1.635298

Yt = 0 + 1 X 1 + 2 X 2 + t

y T=9

91

Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant -49.34133898 24.06088696 -2.05069 0.08616009 2. X1 1.36423789 0.14315290 9.52994 0.00007617 3. X2 0.11388062 0.14337364 0.79429 0.45728186

;* construimos la variable sigmaid conteniendo el error estndar de la estimacin (E()), y X la matriz conteniendo las variables explicativas (y un vector de unos como intercepto). Podemos calcular la matriz de covarianzas de los coeficientes como sigue: com var =inv((tr(X)*X))*(tr(X)*X *sigmaid)*inv((tr(X)*X)) WRI VAR 578.9263 -2.6911 -2.5792 -2.6911 0.0205 3.5420e-003 -2.5792 3.5420e-003 0.0206

do II=1,3 wri (var(II,II))**0.5 end do ;* las desviaciones estndar de los coeficientes son 24.0609 0.1432 0.1434 ;* que corresponde al resultado del modelo sin corregir.

4.4.1. CORRECCION DE WHITE (1980)

Intenta corregir solamente por heterocedasticidad reemplazando 2 en 2(XX) por una matriz TxT que contiene en su diagonal cada error al cuadrado, es decir pre y postmultiplicar XX por el vector de errores.

m cov = t t X t ' X t k t k
y hacemos ddiag es la matriz diagonal que contiene los errores al cuadrado en la diagonal. Ejemplo: En el ejemplo anterior, obtenemos la matriz mcov corregida: com var =inv((tr(X)*X)) WRI VAR 283.2035 -0.8457 -1.8279 *(tr(X)*ddiag*X) -1.8279 -8.9365e-005 0.0177 *inv((tr(X)*X))

-0.8457 7.7754e-003 -8.9365e-005

do II=1,3 wri (var(II,II))**0.5 end do 16.8287 0.0882 0.1332 ;* son los errores estndar de los coeficientes bajo la correccin de White.

92

En RATS la correccin anterior (solamente por heterocedasticidad) implica usar la opcin ROBUSTERRORS (sin LAGS). Ejemplo: linreg(robusterrors) y # constant x1 x2 Dependent Variable Y - Estimation by Least Squares Usable Observations 9 Degrees of Freedom Centered R**2 0.938502 R Bar **2 0.918003 Uncentered R**2 0.999376 T x R**2 8.994 Mean of Dependent Variable 116.88888889 Std Error of Dependent Variable 12.55432639 Standard Error of Estimate 3.59493951 Sum of Squared Residuals 77.541540508 Durbin-Watson Statistic 1.635298

Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant -49.34133898 16.82865139 -2.93198 0.00336804 2. X1 1.36423789 0.08817821 15.47137 0.00000000 3. X2 0.11388062 0.13317015 0.85515 0.39246742 ;* lo que verifica la correccin (reduccin) en el error estndar de los coeficientes. Ntese que los coeficientes propiamente tales no se ven alterados.

4.4.2. CORRECCION DE NEWEY Y WEST (1987)

Sugieren reemplazar 2 por una suma de matrices TxT, las que son ponderadas de acuerdo a cada rezago (k) considerando que el rezago mximo es L (note que en caso de White la ponderacin es 1).

k L m cov = k = L t et X t ' X t k et k 1 L + 1
donde L indica el grado del error de medias mviles que se desea corregir por autocorrelacin de acuerdo al horizonte de prediccin (por ejemplo si se trata de una prediccin de k=3 periodos, entonces L=3-1=2, y existirn 5 sumandos en mcov). Ejemplo: En el ejemplo anterior con T=9, si L=2, existirn 5 sumandos en mcov, y cada una de ellos ser ponderado por (1-2/3), (1-1/3), (1), (1+1/3), (1+2/3) respectivamente. Definamos x1 a la 1 fila de la matriz X; x2 la 2 fila, etc. y definamos u1 el 1 residuo; u2 el 2 residuo; etc. La matriz mcov ser la suma de: com mcov = xx1+xx2+xx3+xx4+xx5 donde: com xx1 = (u1*tr(x1)*x3*u3 + u2*tr(x2)*x4*u4 + u3*tr(x3)*x5*u5 + $ u4*tr(x4)*x6*u6 + u5*tr(x5)*x7*u7 + u6*tr(x6)*x8*u8 + u7*tr(x7)*x9*u9)*(1-2/3) com xx2 = (u1*tr(x1)*x2*u2 + u2*tr(x2)*x3*u3 + u3*tr(x3)*x4*u4 + $ u4*tr(x4)*x5*u5 + u5*tr(x5)*x6*u6 + u6*tr(x6)*x7*u7 + u7*tr(x7)*x8*u8 + $

93

u8*tr(x8)*x9*u9 )*(1-1/3) com xx3 = (u1*tr(x1)*x1*u1 + u2*tr(x2)*x2*u2 + u3*tr(x3)*x3*u3 + $ u4*tr(x4)*x4*u4 + u5*tr(x5)*x5*u5 + u6*tr(x6)*x6*u6 + u7*tr(x7)*x7*u7 + $ u8*tr(x8)*x8*u8 + u9*tr(x9)*x9*u9)*(1-0/3) com xx4 = (u2*tr(x2)*x1*u1 + u3*tr(x3)*x2*u2 + u4*tr(x4)*x3*u3 + $ u5*tr(x5)*x4*u4 + u6*tr(x6)*x5*u5 + u7*tr(x7)*x6*u6 + u8*tr(x8)*x7*u7 + $ u9*tr(x9)*x8*u8 )*(1-1/3) com xx5 = (u3*tr(x3)*x1*u1 + u4*tr(x4)*x2*u2 + u5*tr(x5)*x3*u3 + $ u6*tr(x6)*x4*u4 + u7*tr(x7)*x5*u5 + u8*tr(x8)*x6*u6 + u9*tr(x9)*x7*u7)*(1-2/3) com mcov = xx1+xx2+xx3+xx4+xx5 com var = inv((tr(X)*X)) * (mcov) * inv((tr(X)*X)) ;* la matriz de covarianzas corregida de los coeficientes do II=1,3 wri (var(II,II))**0.5 end do ;* son los errores estndar corregidos

En RATS este ajuste es ofrecido por la instruccin ROBUSTERRORS pero agregando la opcin LAGS=L (para corregir por autocorrelacin hasta un proceso de medias mviles del grado L) y DAMP=1.0 (para el estimador de Newey-West, aunque pueden obtenerse otros ajustes con otro valor de DAMP, pero son poco usados). Ejemplo: linreg(robusterrors, lags=2, damp=1) y # constant x1 x2 Dependent Variable Y - Estimation by Least Squares Usable Observations 9 Degrees of Freedom Centered R**2 0.938502 R Bar **2 0.918003 Uncentered R**2 0.999376 T x R**2 8.994 Mean of Dependent Variable 116.88888889 Std Error of Dependent Variable 12.55432639 Standard Error of Estimate 3.59493951 Sum of Squared Residuals 77.541540508 Durbin-Watson Statistic 1.635298

Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant -49.34133898 14.82204895 -3.32891 0.00087185 2. X1 1.36423789 0.09248540 14.75085 0.00000000 3. X2 0.11388062 0.08901050 1.27941 0.20075389

Una de las dificultades para implementar la estimacin robusta puede ser determinar el valor apropiado de L, aunque en muchos casos, ste proviene de la teora, y el conocimiento que la sobre posicin de horizontes de prediccin (overlapping) genera un termino de error tipo MA de orden k-1 (donde k es el horizonte de prediccin). As, por ejemplo errores en predicciones de 6 periodos tendrn un proceso MA de orden 5 (L=5), con lo cual se captura la mayora de la correlacin serial En resumen, en RATS la opcin ROBUSTERRORS calcula los errores estndar de la regresin y la matriz de covarianzas permitiendo heterocedasticidad y correlacin serial de los residuos, y funciona junto a LAGS y DAMP en las instrucciones LINREG, NLLS, NLSYSTEM, y MAXIMIZE. Pueden definirse estructuras ms complicadas usando la instruccin WMATRIX, que es la matriz de ponderaciones usada junto a INSTRUMENTS.

94

4.4. MULTICOLINEALIDAD
En el modelo

Yt = 0 + 1 X 1 + 2 X 2 + t

la multicolinealidad (o colinealidad) se presenta

cuando hay correlacin lineal entre las variables explicativas X1 y X2, de modo que ambas variables, en el fondo, estn midiendo el mismo fenmeno. La presencia de alta colinealidad entre las variables explicativas X1 y X2 impide que se pueda estimar con precisin los coeficientes de la regresin, es decir el efecto de cada una de estas variables sobre Y, debido a que MCO no puede "separar" el efecto de X1 sobre Y, y el efecto de X2 sobre Y. As, se esperan relativamente altos errores estndar para los coeficientes. Ejemplo: Usando el archivo multicolinealidad.xls.
y 100 106 107 120 110 116 123 133 137 x1 100 104 106 111 111 115 120 124 126

a) Creamos la serie X2a, tal que X2a = 2*X1-4, donde X2a presenta multicolinealidad perfecta con X1, es decir es una combinacin lineal de X1. La correlacin entre X1 y X2a es +1,0 en este caso. b) Creamos la serie X2b, que es igual a X2a, con la nica diferencia que la 1 observacin es 200 en lugar de 196. La correlacin entre X1 y X2b es 0,9970693 en este caso, es decir extremadamente alta, pero no perfecta.

4.4.1. MULTICOLINEALIDAD PERFECTA

En este caso MCO simplemente no puede estimar el coeficiente de X2 (no es posible invertir la matriz (XX) para calcular ). Contradictoriamente el estadstico R2 puede ser bastante alto, y el test F de significancia global indicar que ambos coeficientes de pendientes son estadsticamente distintos de cero, es decir en conjunto X1 y X2 explican Y, pero no individualmente. Verifiquemos esto con el ejemplo anterior: Ejemplo: En multicolinealidad.xls corremos una regresin donde Y se explica por X1 y X2. Pero puesto que estn perfectamente correlacionadas, no es posible efectuar la estimacin en Excel.

4.4.2. MULTICOLINEALIDAD MUY ALTA

En este caso ser posible obtener la estimacin de los coeficientes, pero sta ser muy ruidosa. A pesar de no existir pruebas estadsticas formales, para la deteccin de multicolinealidad, es posible calcular ciertos estadsticos que pueden ayudar a diagnosticar la presencia de multicolinealidad, se trata de estadsticos orientativos, que si bien pueden ayudarnos a determinar si existe mayor o menor grado de multicolinealidad, no permiten tomar una decisin clara sobre la presencia o no de sta. El nivel de tolerancia: Este valor se obtiene de la diferencia 1-R2, aunque el R2 se obtiene de regresar esa variable sobre el resto de las variables independientes. Valores de tolerancia muy pequeos indican que la

95

respectiva variable puede ser explicada por una combinacin lineal del resto de variables independientes, lo cual significa que existe multicolinealidad. Factores de inflacin de la varianza (VIF): Estos valores corresponden a los inversos de los niveles de tolerancia. Reciben este nombre porque son utilizados en el clculo de las varianzas de los coeficientes de regresin. Cuanta mayor es el VIF de una variable, mayor es la varianza del correspondiente coeficiente de regresin. De ah que uno de los problemas de la existencia de multicolinealidad (tolerancias pequeas y VIFs grandes) se la inestabilidad de las estimacines de los coeficientes de regresin. Podemos concluir que la multicolinealidad aumenta el error en la estimacin de los coeficientes individuales, disminuyendo los test t. Luego, que sospechamos existencia de multicolinealidad cuando los coeficientes individuales tienen bajas significancias, pero el estadstico R2 es alto. Tambin, dado el alto error, los coeficientes estimados son altamente sensibles a cambios en las observaciones, de modo que por ejemplo eliminando un dato, los coeficientes cambiarn importantemente. El ltimo aspecto es las prediccines del modelo con multicolinealidad sern peores (alto error) que aquellas obtenidas considerando solo un pequeo grupo de variables explicativas que no son colineales. Otra forma de detectar la colinealidad (alta) es considerar la Regla de Klein (1962) que afirma que "la multicolinealidad es un problema slo si la correlacin simple entre dos variables es mayor que la correlacin entre alguna stas con la variable explicada (Y)".

4.5.3. SOLUCIONES A LA MULTICOLINEALIDAD

Existen varios mtodos, algunos relativamente complejos, que intentan solucionar la multicolinealidad, sin embargo la multicolinealidad es un problema de la muestra (de los datos) y poco puede hacerse, a no ser que se disponga de ms informacin del proceso en estudio, de modo que la solucin bsica se encuentra en encontrar ms informacin. Caminos de solucin alternativos son eliminar del modelo una de las series que presentan colinealidad. Sin embargo debe considerarse que esto puede introducir error de especificacin.

96

CAPTULO 5 ESTACIONARIEDAD Y COINTEGRACIN

5.1. REGRESIONES ESPUREAS

En muchas ocasiones se estiman modelos de regresin de series de tiempo, en los que tanto X como Y estn afectos a fuertes tendencias temporales. Ejemplo: Sean los siguientes datos los Precios Accionario de Endesa (Y) y el valor del Indice General de precios accionarios (IGPA) (X):

600 500 400 300

T t t+1 t+2 t+3 t+4 t+5 t+6

P_Endesa 67 170 220 175 280 350 300

Igpa 150 200 220 350 400 410 500

200 100 0 t t+1 t+2 t+3 P_Endesa t+4 IGPA t+5 t+6

Si corremos una regresin entre el precio accionario de Endesa (Y) y el Indice de Precios Accionarios (X) se tiene que:

Intercepcin Variable X 1

Coeficientes Error tpico Estadstico t 29,0375919 62,8781058 0,46180768 0,60929904 0,18467334 3,29933402

Y los resultados aparecen satisfactorios (para la pendiente) a la luz del estadstico t. Sin embargo analizando el grfico, ambas series X e Y muestran una fuerte tendencia.

97

Una forma de eliminar la tendencia temporal es calcular las primeras diferencias de X e Y. Para esto calculamos las rentabilidades, que son:
1,800 1,600 1,400 1,200 1,000 0,800 0,600 0,400 0,200 0,000 -0,200 -0,400

T t t+1 t+2 t+3 t+4 t+5 t+6

P_Endesa 67 170 220 175 280 350 300

Igpa 150 200 220 350 400 410 500

Rent_Endesa Rent_IGPA 1,537 0,294 -0,205 0,600 0,250 -0,143 0,333 0,100 0,591 0,143 0,025 0,220

t+1

t+2

t+3

t+4

t+5

t+6

Rent_Endesa

Rent_Igpa

En efecto, en el gfico parece desaperecer la tendencia. Los resultados de la regresin entre la rentabilidad de Endesa y la variacin porcentual del IGPA es ahora:

Intercepcin Variable X 1

Coeficientes Error tpico Estadstico t 0,46561786 0,46613367 0,99889342 -0,325641 1,55449381 -0,20948363

Con esto se aprecia que la calidad de los resultados cae fuertemente, entregando evidencia que la 1 regresin (con tendencia) arroj resultados satisfactorio solamente debido a la existencia de una tendencia, pero no debido a que existiera una relacin verdadera entre ellas. As, se entiende que un supuesto clave para la consistencia del modelo de regresin es, aparte de la linealidad, la Dependencia Dbil. Para analizar este punto con mayor detalle, pasamos a continuacin a definir el concepto de Estacionariedad.

98

5.2. ESTACIONARIEDAD
5.2.1. DEFINICIN
La principal definicin de estacionariedad (estacionariedad dbil) implica que la media () y la varianza (2) del proceso son constantes, y las autocovarianzas (k) y autocorrelaciones (k) dependen slo del rezago k (0=V(xt)) 22. Las principales implicancias de la estacionariedad para nuestros fines son dos: a) La existencia de estacionariedad asegura que la varianza del proceso es finita y que una innovacin en el proceso tiene solamente un efecto temporal sobre ste. b) Cuando no exista estacionariedad para dos series X e Y, una regresin entre stas ser espuria, en el sentido que existir un alto R2 debido a la existencia de una tendencia y no debido a una fuerte relacin entre las variables. Respecto al concepto de Integracin, se dice que una serie yt no estacionaria es integrada de orden d, y se representa como yt~I(d), cuando puede ser transformada en una serie estacionaria diferencindola d veces. Una caracterizacin tpica de las series I(0) e I(1) es la siguiente:

5.2.2. SERIE ESTACIONARIA

Un buen ejemplo de serie estacionaria es el llamado Ruido Blanco (White noise). Un Ruido blanco es un proceso estocstico donde los Xt son todos identica e independientemente distribudos (Cov=0). Por definicin un ruido blanco es estacionario.

22 La Estacionariedad Estricta implica que, adems de lo anterior, el proceso no es afectado por un cambio de origen de tiempo. Bajo normalidad conjunta el set de momentos caracterizan completamente las propiedades del proceso, es decir ambas estacionariedades son equivalentes.

99

Ejemplo: Un proceso ruido blanco puede ser simulado en Excel a travs de: =Aleatorio(). Realizamos un grfico y obtenemos 100 valores simulados;
1,2 1 0,8 0,6 0,4 0,2 0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

Ntese que la media parece ser constante (igual a 0,5) y que la volatilidad parece tambin constante, por lo que esta serie parece ser estacionaria. Una mejor forma de realizar una simulacin en Excel es a travs de: Herramientas-> Analisis de Datos -> Generacin de Numeros Aleatorios ->

Otro ejemplo de proceso estacionario es un de medias mviles (moving average process) de orden 1 [MA(1)] que puede ser caracterizado por xt = et + a1et-1, t = 1, 2, siendo et una una secuencia iid con media 0 y varianza

e2 .

Esta es una secuencia estacionaria debilmente dependiente, con variables

correlacionadas en 1 periodo, pero no para 2 periodos. Ejemplo: Procesos Estacionarios: a) b)

X t = 2 X t 1 + t X t = 1 + 2 X t 1 + t

1 < 2 < 1 1 < 2 < 1

100

5.2.3. SERIE NO ESTACIONARIA

Una serie es no estacionaria cuando presenta alguna tendencia, sea sta determinstica o estocstica. Ejemplos tpicos de series no estacionarias son los ndices de precios accionarios, o los ndices de precios o de actividad econmica. En economa los Random Walk 23 son usados para modelar esto. El siguiente grfico muestra 8 random walks comenzando en 0.

Un random walk pueder ser representado por un proceso autoregresivo de orden 1. Un proceso autoregresivo de orden 1 [AR(1)] puede ser caracterizado por yt = r yt-1 + et , t = 1, 2, con et una secuencia iid con media 0 and variance

e2 .

Para que este proceso sea dbilmente dependiente |r| < 1.

Corr(yt ,yt+h) = Cov(yt ,yt+h)/(sysy) = r1h , el que disminuye al aumentar h. A random walk is integrated of order one, [I(1)], meaning a first difference will be I(0) Ejemplo: Procesos no estacionarios: a) Random Walk:

X t = X t 1 + t , es decir un proceso AR(1) con coeficiente 1, meaning the series is not

(Random walk with drift) (Deterministic trend)

weakly dependent. b) c)

X t = 1 + X t 1 + t X t = 1 + 2 t + t

Los random walks tienen dos propiedades importantes: la propiedad de Markov (la nica informacin relevante para el valor futuro de la variable es su valor actual), y la propiedad de martingala (la expectativa condicional de un valor futuro de la variable es su valor actual). En el caso de una martingala, si bien los cambios en la variable deben ser siempre cero, no necesitan tener varianza constante, ni las innovaciones ser independientes. En el caso de una tendencia positiva se llaman sub-martingalas, y en el caso de tendencias negativas supramartingalas.

23

101

Ejemplo: Consideremos el ndice General de Precios de las Acciones (IGPA) de la Bolsa de Comercio de Santiago (Valor Nominal mensual) Tabla 14.xls:

IGPA mensual
1990.01 - 2001.03 7000,00 6000,00 5000,00 4000,00 3000,00 2000,00 1000,00 0,00 1990,01 1990,09 1991,05 1992,01 1992,09 1993,05 1994,01 1994,09 1995,05 1996,01 1996,09 1997,05 1998,01 1998,09 1999,05 2000,01 2000,09

As, puesto que la serie IGPA parece tener una tendencia, creemos que no es estacionaria. Sin embargo existen pruebas formales de estacionariedad, como veremos a continuacin.

102

5.3. PRUEBAS DE ESTACIONARIEDAD

5.3.1. CORRELOGRAMA Y TEST Q 24
Una caracterstica de las series no estacionarias es que las autocorrelaciones de las realizaciones comienzan en un valor muy alto (cercano a 1.0) y disminuyen lentamente para grandes rezagos. En cambio para series estacionarias se esperara que la cada de las correlaciones sea muy fuerte, y no gradual. Ejemplo: Para la serie IGPA calcular valor del estadstico Q de Ljung-Box hasta 3 rezagos:

0,990 2 2 Q(1) = 135(137) = 135,27 (1) = 3,84 134 0,990 2 0,974 2 2 Q(2) = 135(137) + = 267,19 (2) = 5,99 133 134 0,990 2 0,974 2 0,959 2 2 Q(3) = 135(137) + + = 396,34 (3) = 7,81 134 133 132
Se aprecia que las autocorrelaciones descienden en forma gradual a medida que aumenta el nmero de rezagos. Fijndonos en el ltimo rezago (3), el valor del estadstico Q es 390,77 con un nivel de significancia de 0.000; por lo tanto, rechazamos la hiptesis que las correlaciones sean cero. A su vez, el grfico de las autocorrelaciones luestra que stas en efecto disminuyen gradualmente, como se esperara en el caso de una serie no estacionaria.
1.0

ACF

0.9

0.8

0.7

0.6

0.5

0.4

0.3 J F M A M J J 1990 A S O N D J F M A M J J 1991 A S

Recordemos que el correlograma, al igual que la prueba de Ljung-Box han sido utilizados anteriormente para detectar la autocorrelacin de los residuos.

24

103

A efectos de comparacin podemos calcular las correlaciones de un ruido blanco. Ejemplo: Generando una serie de nmeros aleatorios provenientes de una distribucin Normal con media 0 y desviacin estndar 1, calculamos los estadsticos Q(1), Q(2) y Q(3). Puesto que se trata de nmeros aleatorios, los resultados no sern identicos, sin embargo se obtendr que Q(1)0,9, Q(2)1,6 y Q(3)2,7; por lo que ahora la hiptesis que las correlaciones son cero (estacionariedad) no es rechazada, implicando que no se encuentra evidencia de que la serie sea no estacionaria. A continuacin veremos otro tipo de pruebas formales, llamadas de races unitarias, que han sido muy populares (y tambin criticadas) en los aos recientes.

104

5.3.2. PRUEBAS DE RAICES UNITARIAS: Dickey y Fuller 25

Subyacente en el concepto de una prueba de raz unitaria se encuentra la existencia de una fuerte relacin entre la realizacin de una serie en el momento t y la realizacin de esta misma serie en el momento t-1. Esto es medido a travs de la siguiente regresin:

Yt = Yt 1 + t
donde en un error bien comportado. Si es igual a 1.0 (Ho:=1.0), es decir un proceso AR(1), entonces la serie no es estacionaria, y adems se dice que tiene una raz unitaria. La serie con esta caracterstica es llamada un Random-Walk. Luego, la hiptesis de raz unitaria es Ho: =1.0. Sin embargo Dickey y Fuller (1979, 1981) mostraron que, para la hiptesis anterior, la tradicional prueba t no puede se aplicada, pues existe sesgo. En cambio mostraron que los valores correctos son, en el caso de correr la regresin con intercepto: al 90% el coeficiente estimado es menor que 2.58 errores estndar de la unidad al 95% el coeficiente estimado es menor que 2.89 errores estndar de la unidad al 99% el coeficiente estimado es menor que 3.51 errores estndar de la unidad En la prctica es ms simple escribir el modelo anterior como sigue:

Yt Yt 1 = ( 1)Yt 1 + t Yt = ( 1)Yt 1 + t Yt = Yt 1 + t
de modo que la hiptesis cambia ahora a Ho: =0.0, haciendo ms simple de estimar la hiptesis. Ejemplo: Correremos una regresin de la serie IGPA (135 observaciones) contra la misma serie rezagada en un perodo (Tabla 14.xls). a)

Yt = Yt 1 + t
Coeficientes Error tpico Estadstico t 0 #N/A #N/A 1,0036686 0,00430903 232,922307

Intercepcin Variable X 1

tau =

1)

(1,0036686
0 , 004309

1)

= 0 ,8513

b)

Yt = Yt 1 + t
Coeficientes Error tpico Estadstico t 0 #N/A #N/A 0,0036686 0,00430903 0,8513744

Intercepcin Variable X 1

tau =

0 , 0036686 = = 0 ,8513 0 , 004309

Puesto que 0,8513 < 2,89 no podemos rechazar que la serie IGPA es no estacionaria (Ho: Existe raiz unitaria).

25

El conjunto de pruebas anteriores son llamadas de Dickey y Fuller. Existe un nmero importante de otras pruebas de races unitarias especializadas, entre las cuales es usual la de PhillipsPerron.

105

5.3.3. PRUEBAS DE RAICES UNITARIAS: Augmented Dickey Fuller (ADF) Test

Dickey y Fuller proponen una serie de regresines ms generales para verificar la existencia de races unitarias, las que son conocidas como pruebas de Dickey y Fuller Aumentadas (ADF): Modelo 1:

Yt = Yt 1 + i Yt i +1 + t
i=2

(modelo bsico + DY rezagados)

Modelo 2:

Yt = + Yt 1 + i Yt i +1 + t
i =2

(modelo 1 + intercepto)

Modelo 3:

Yt = + Yt 1 + t + i Yt i +1 + t
i =2

(modelo 2 + tendencia)

En estas pruebas deben agregarse rezagos de dY hasta que et son ruido blanco, lo que es una condicin necesaria para que este test sea vlido. El nmero apropiado de rezagos puede encontrarse por el criterio BIC, aunque pueden plantearse otros criterios alternativos 26. Los valores crticos usuales son 1%, 5%, y 10% los que dependen del tamao de la muestra. Los valores crticos pueden obtenerse de Hamilton (1994, Tabla B.6).

26

(1) AIC criterion, (2) BIC criterion (el ms usado), (3) agregando rezagos (lags) hasta que el test de Ljung-Box test no rechace no correlacin serial a un nivel de significancia, (4) idem con el Lagrange Multiplier test, o (5) partiendo con un nmero mximo de diferencias rezagadas, si la ltima es significativa, elija ese nmero de rezagos, si no se reduce en uno hasta que el ltimo rezago inluido es ignificativo.

106

Ejemplo: En el ejemplo del IGPA (Tabla 14.xls), implementar Augmented Dickey-Fuller ttest para los modelos 1, 2 y 3: Modelo 1: Minimum AIC at lag: 2; Minimum BIC at lag: 2.

Yt = Yt 1 + [ 2 Yt 1 + 3 Yt 2 ] + t
linreg digpa # igpa{1} digpa{1} digpa{2} Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. IGPA{1} 0.002606237 0.004043451 0.64456 0.52035847 2. DIGPA{1} 0.429916390 0.085891215 5.00536 0.00000179 3. DIGPA{2} -0.228846913 0.086136727 -2.65679 0.00888546 * Augmented Dickey-Fuller t-test with 2 lags: * 1% 5% 10% * -2.58 -1.95 -1.62 0.6446 * * *

Modelo 2: Minimum AIC at lag: 2; Minimum BIC at lag: 2.

Yt = + Yt 1 + [ 2 Yt 1 + 3 Yt 2 ] + t
Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 115.4506088 48.6524791 2.37296 0.01913416 2. IGPA{1} -0.0225541 0.0113227 -1.99193 0.04850725 3. DIGPA{1} 0.4141438 0.0846512 4.89236 0.00000294 4. DIGPA{2} -0.2312968 0.0846373 -2.73280 0.00716841 * Augmented Dickey-Fuller t-test with 2 lags: * 1% 5% 10% * -3.46 -2.88 -2.57 -1.9919 * * *

Modelo 3: Minimum AIC at lag: 2; Minimum BIC at lag: 2.

Yt = + Yt 1 + t + [ 2 Yt 1 + 3 Yt 2 ] + t ,

t=1,2, ...

Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 115.7046426 48.9172119 2.36532 0.01952855 2. TREND 0.0617520 0.6593128 0.09366 0.92552598 3. IGPA{1} -0.0237014 0.0167111 -1.41830 0.15855218 4. DIGPA{1} 0.4149103 0.0853740 4.85991 0.00000340 5. DIGPA{2} -0.2299966 0.0860934 -2.67148 0.00854127 * Augmented Dickey-Fuller t-test with 2 lags: * 1% 5% 10% * -3.99 -3.43 -3.13 -1.4183 * * *

En los tres casos nos lleva a concluir que no se rechaza Ho, es decir existe raz unitaria en el IGPA.

107

5.3. DIFERENCIACION DE SERIES I(1)

Un proceso que contiene una raz unitaria es denotado I(1). En estos casos es posible eliminar la raz unitaria diferenciando las series, esto es, calculando la primera diferencia. En series que contienen dos races unitarias, I(2), se debe diferenciar dos veces para obtener una serie estacionaria, y as sucesivamente. El problema es que en muchas ocasiones la serie resultante de la diferenciacin no es de inters, por lo que debe buscarse un camino de solucin alternativo. Afortunadamente en el caso del IGPA, la diferenciacin nos lleva a obtener una serie de rendimientos, de modo que la recomendacin para los estudios financieros-burstiles es usar las series de rendimientos del IGPA en lugar del GPA propiamente tal. Verifiquemos ahora que la serie diferenciada del IGPA, es decir los rendimientos accionarios, es estacionaria. Ejemplo: Calculamos la 1 diferencia y los rendimientos mensuales del IGPA; y graficamos la nueva serie:

Diferenciacion del IGPA vs Rentabilidad del IGPA

800,00 25,00%

600,00

20,00%

15,00% 400,00 10,00% 200,00 5,00% 0,00

19 9 19 0,02 90 19 ,06 90 19 ,10 91 19 ,02 91 19 ,06 91 19 ,10 9 19 2,02 9 19 2,06 9 19 2,10 93 19 ,02 93 19 ,06 93 19 ,10 94 19 ,02 94 19 ,06 9 19 4,10 95 19 ,02 95 19 ,06 95 19 ,10 96 19 ,02 96 19 ,06 9 19 6,10 97 19 ,02 9 19 7,06 97 19 ,10 98 19 ,02 98 19 ,06 98 19 ,10 9 19 9,02 9 19 9,06 9 20 9,10 00 20 ,02 00 20 ,06 00 20 ,10 01 ,0 2
-200,00 -400,00 -600,00 -800,00 D_IGPA R_IGPA

0,00%

-5,00%

-10,00%

-15,00%

-20,00%

El grfico de la serie muestra que esta parece ahora ser estacionaria. Veamos lo que nos dice el test de Dickey-Fuller. Corremos la regresin de los rendimientos del IGPA contra la misma serie rezagada en 1 periodo. Omitiendo parte de la salida, los resultados son:

t=

0 ,5783 = 7 . 36 0,07852

As, con una significancia del 5% y valor critico 2,88, se rechaza la existencia de raz unitaria. Esta prueba no encuentra una raz unitaria y afirma que la serie diferenciada es estacionaria. El econometrista

108

experimentado notar del grfico de la serie IGPA, que existe la posibilidad de un quiebre significativo en 1995, de modo que sugerir otras pruebas de races unitarias que mejor se ajusten a este caso. Cuando la serie diferenciada no sea de inters, puede seguirse el camino tradicional de incorporar una variable de tendencia a la regresin, la que tiene por objeto justamente capturar la tendencia dejando que el coeficiente estimado de la serie I(1) libre del efectos de la tendencia, de modo que la regresin es vlida. Otras formas de eliminar races unitarias, consiste en aplicar logaritmos naturales para calcular rendimientos contnuos, y la deflactacin a moneda real.

set lrrate = Log(rrate) set lpgnp = log(pgnp)

;* el deflactor del Producto

linreg lrrate # constant lrrate{1} lpgnp{1}

set lrooms = log(rooms) set lrgnp = log(gnp/pgnp) linreg lrooms # constant lrooms{1} lrgnp{1} Sin embargo actualmente se distingue entre tendencias determinsticas y estocsticas, afirmndose que este ltimo procedimiento (incorporar una tendencia) solo es posible en el caso de una tendencia determinstica. En caso contrario, la nica posibilidad es verificar la existencia de cointegracin, lo que justificara correr regresines entre variables I(1), sin que el resultado de sta sea espurio. Este tpico (cointegracin) ser tratado a continuacin.

109

5.4. COINTEGRACIN: PRUEBA DE ENGLE-GRANGER

5.4.1. INTRODUCCIN
Si se tiene un modelo de regresin en que tanto la variable dependiente como la independiente son I(1), entonces se tendr una regresin espuria, puesto que la presencia de las tendencias contaminar los resultados. Esto, a menos que ambas series tengan una relacin de equilibrio de largo plazo, es decir, que estn COINTEGRADAS. Se dice que dos series (o ms) estn cointegradas si una combinacin lineal de stas es estacionaria, es decir:

X es I (1) si aX + bY es I (0) X e Y estn cointegradas Y es I (1)

Entonces, es posible estimar regresiones con variables X e Y conteniendo una raiz unitaria, siempre y cuando ambas estn cointegradas, pues de lo contrario surgir el problema de Regresin Esprea. Para analizar el caso de la Regresin Esprea, consideremos dos series X1t, x2t y zt, tales que:

x1t I (1) x2t I (1) zt = 0 + 1 x1t + 2 x2t ; z t I (1)

Reordenando esta combinacin lineal se tiene que:

con

Las implicancias son, por un lado los residuos son I(1), es decir

t I (1) , por lo que no se

cumplen las condiciones subyacentes del modelo de regresin lineal. En efecto:

Puesto que OLS ya no son consistentes, implicando que los resultados de la regresin (pruebas t y F) estn erradas. En particular, los resultados de una regresin que incluye variables no estacionaras independientes estn caracterizadas por:

110

- Muy altos R cuadrados - Muy altos valores t - Bajos Durbin Watson d Lo anterior es lo que se conoce como el famoso Problema de la Regresin Esprea: cuando regresionamos variables no estacionarias, los resultados de la estimacin no deben ser tomados seriamente.

5.4.2. DEFINICIN FORMAL DE COINTEGRACION

Las variables de kx1 vextores (d,b), denotado por se dice que estn cointegradas de grado

xt CI (d , b) , si:

a) todas las variables xt son I(d) b) existe al menos un vector de coeficientes tal que la combinacin lineal

es integrada de un orden menor, es decir: conocido como el vector cointegrante (cointegrating vector).

xt I (d b) . Beta es

Ejemplo: Si

x1t I (1)

x2t I (1)

y los residuos de la regresin

son I(0),

entonces x1 y x2 se dice que estn cointegradas de orden CI(1,1), con vector cointegrante

La Interpretacin Econmica es que si dos o ms series estn unidas por una relacin de equilibrio, entonces an cuando las series en s mismas son no estacionarias, ellas sin embargo se movern casi juntas a travs del tiempo, y la diferencia entre ellas ser estacionaria. El concepto de cointegracin indica la existencia de un equilibrio de largo plazo al cual el sistema econmico converge a travs del tiempo, y et puede ser interpretado como el error de desequilibrio, es decir la distancia a que el sistema se encuentra alejado del equlibrio en el momento t. Desde el punto de vista economtrico, si dos variables estn cointegradas, el anlisis de regresin entrega informacin importante acerca de la relacin de largo plazo entre las variables. Si dos variables no estacionarias no estn cointegradas, los resultados de la regresin no son tiles, es decir se se tiene una regresin esprea.

111

Por Ejemplo, las siguientes series xit y x2t estn cointegradas, con vector cointegrante (1,-1).

25 20 15 10 6 4 2 0 -2 -4 -6 50 Residual 100 150 Actual 200 Fitted 250 5 0 -5

Puesto que los errores son I(0), ambas series estn cointegradas.

112

5.4.3. PRUEBA DE ENGLE-GRANGER (1987)

El procedimiento de Engle-Granger para detectar cointegracin es muy simple e intuitivo. Paso 1: Verificar el orden de integracin de las variables. Verificar que ambas son I(1). Por ejemplo, suponemos que tanto el ingreso como el consumo son I(1):

CONSUMOt = 0 + 1 INGRESO + t
Paso 2: Para que exista cointegracin, el error, que es una combinacin lineal de las series, debe ser estacionario, I(0):

t = CONSUMOt 0 1 INGRESO
Si los errores son I(1) concluimos que las variables no estn cointegradas. Si los residuos son I(0) decimos que las variables son cointegradas de orden (1,1). Lamentablemente aqu tampoco pueden usarse los valores crticos de Dickey-Fuller, sino que por ejemplo los de Engle y Yoo (1987) o de acuerdo a MacKinnon (1991), como se muestra en la siguiente tabla.

113

5.4.4. TEOREMA DE REPRESENTACION DE GRANGER

El concepto de cointegracin se refiere a un equilibrio, en el cual las variables convergen en el largo plazo. Este equilibrio de largo plazo puede ser observado raramente, por lo que es interesante considerar la evolucin de corto plazo de las variables, es decir la dinmica del ajuste. Un enfoque simple para esto es el llamado Modelo de Correccion de Errores (ECM), que proviene del Teorema de Representacin de Granger, el que establece que si un conjunto de variables estn cointegradas, entones existe una representacin de los datos del tipo error-correccin. Si x1t y x2t son CI(1,1), con vector cointegrante correccin de errores (ECM) de forma general dada por: , entonces existe un modelo de

donde:

Son polinomios quepermiten una estructura ms rica al proceso. Este modelo incorpora los efectos de corto y de largo plazo. En efecto: a) El efecto de largo plazo est dado por el vector cointegrante: b) Cuando el sistema est en equilibrio: , puesto que e mide la distancia del sistema del equilibrio en el momento t. c) El parmetro alfa mide la velocidad de ajuste, es decir cmo x1t-1 cambia en respuesta al desequilibrio et en el momento t. (Si x1t y x2t son cointegradas, alfa es distinto de cero). d) El parmetro delta captura un posible cambio (drift) en las series. Ejemplo: Para estimar el modelo de correccin de errores. Esto es, si las series son cointegradas (1,1), a corto plazo puede haber desequilibrios, que son capturados por el trmino de error. Luego, la regresin es:

CONSUMOt = 0 + 1INGRESO + 2 et 1 + ut
donde se espera que el nuevo error, u, est bien comportado. En esta especificacin de correccin de errores el coeficiente 1 captura las perturbaciones de corto plazo la variable INGRESO, mientras que 2 captura las perturbaciones de largo plazo, o el ajuste de largo plazo, indicando qu proporcin del desequilibro en el CONSUMO en un periodo es corregida en el periodo siguiente.

114

Ejemplo: A modo de ilustracin, considere la tabla en el archivo Pindyck - EX164.xls que precios del petrlero y del cobre desde 1870 a 1987. En primer lugar verificamos si el petroleo es estacionario: * Augmented Dickey-Fuller t-test with 5 lags: * 1% 5% 10% * -2.58 -1.95 -1.62 Como conclusin, contiene una raiz unitaria. Calculamos la primera diferencia del petrleo y obtenemos: * Augmented Dickey-Fuller t-test with 4 lags: * 1% 5% 10% * -2.58 -1.95 -1.62 Como conclusin, solo posee 1 raz unitaria. Repetimos para el cobre: * Augmented Dickey-Fuller t-test with 0 lags: * 1% 5% 10% * -2.58 -1.95 -1.62 Para la primera diferencia se tiene que: * Augmented Dickey-Fuller t-test with 0 lags: * 1% 5% 10% * -2.58 -1.95 -1.62 Como conclusin, solo posee 1 raz unitaria. Corremos ahora la regression: oil = alfa + beta copper Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 5.053783705 0.666379893 7.58394 0.00000000 2. COPPER -0.022111545 0.017261735 -1.28096 0.20276371 Y analizamos si los residuos tienen una raiz unitaria: * Augmented Dickey-Fuller t-test with 0 lags: * 1% 5% 10% * -2.58 -1.95 -1.62 De modo que las series estn cointegradas. -3.1511 * * * -11.2136 * * * -1.1085 * * * -6.5234 * * * 0.2295 * * *

115

Ahora podemos estimar el modelo de correccin de errors: Doil = alfa + beta*dcopper + gama*err{1} Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant -0.019713655 0.095227174 -0.20702 0.83636581 2. DCOPPER 0.003278421 0.014628690 0.22411 0.82307364 3. ERR{1} -0.138753133 0.044560449 -3.11382 0.00233565 Y conclumos que los ajustes de largo plazo aparecen como los ms importantes y significativos.

5.5. COMENTAROS FINALES

Por ltimo debemos notar que an existen importantes problemas en la aplicacin de las tcnicas de regresin requeridas para implementar la prueba de cointegracin de Engle y Granger, especialmente las referidas a los valores crticos de las pruebas para pequeas muestras. Tambin debemos comentar que existe otra tcnica de deteccin de la cointegracin entre series y es la de Johansen (1988) basada en el principio de mxima verosimilitud, la que supera una de las crticas al esquema de Engle-Granger, el que requiere definir a priori cual de las variables ser la dependiente y cual la independiente en la regresin (cuando existen muchas variables es posible que exista cointegracin bajo una especificacin y no en otra) y que ste procedimiento sea un estimador de dos pasos (se requieren dos regresines).

116

CAPTULO 6 INTRODUCCIN A LA PREDICCIN EN EXCEL

En este captulo desarrollaremos la prediccin (esttica). Ms adelante, en siguientes captulos se tratar la prediccin dinmica (modelos ARIMA). Tambin es importante notar que existen muchas formas de efectuar prediccines, incluyendo modelos de Vectores Autorregresivos, Sistemas de Ecuaciones Simultneas y Anlisis Espectral. Sin embargo, por ahora analizaremos la tcnica tradicional para la prediccin esttica en un contexto de mnimos cuadrados ordinarios. El siguiente esquema ilustra simplificadamente las diferentes tcnicas de prediccin, diferenciando entre mtodos objetivos y mtodos subjetivos.

Tipos de Tcnicas de Prediccin

Mtodos Objetivos

Mtodos Subjetivos

causal

extrapolacin - Opinin de Ejecutivos - Tcnica Delphi (consenso de expertos) - Basadas en Fuerza Ventas - Encuestas de intenciones de compra

Modelos Economtricos (Modelos de Regresin simple o mltiple) (requiere variable dependiente y una o varias variables explicativas)

Modelos a-tericos Mtodos de Series de Tiempo

Box-Jenkins (ARIMA)

Suavizamiento Exponencial

Prediccin Espectral

117

Un enfoque alternativo para la seleccin de un modelo de Prediccin es el siguiente:

Si Pocos datos disponibles? No Objective Methods Mtodos Subjetivos

1. 2. 3. 4.

Data disponible sobre variables causales Existe un buen conocimiento a priori de las relaciones Se esperan importantes cambios a futuro Se requieren predicciones a muy largo plazo

Si

Mtodos Causales

No Mtodos de Extrapolacin

118

6.1. EL ERROR DE PREDICCIN

Antes de comentar la prediccin propiamente tal, es necesario que consideremos que la desviacin estndar del error de la prediccin individual de Y en MCO viene dada por27:

(eo ) = (Yo Yo ) = (1 + X o ' ( X ' X ) 1 X o ) donde es el error estndar de la regresin, Y es la estimacin de Y, Xo son valores proyectados de X, y X son los valores originales. El intervalo de confianza para las prediccines en el caso de un gran nmero de observaciones es entonces (usando una distribucin t):

[Y 2.0 (e ) , Y + 2.0 (e )]
0 0

Para el caso de un modelo de regresin simple, la expresin anterior se reduce a:

2 o ) = (1 + 1 + (=Xo X ) (eo ) = (Yo Y T i T ( X i X ) 2 i =1

Esta es una expresin sencilla de interpretar: Puesto que el error estndar de prediccin crece proporcionalmente con cuadrado de la diferencia entre el valor de la variable explicativa deseado y la media observada de sta, mientras ms alejada del valor medio sea la prediccin, sta ser ms que proporcionalmente riesgosa. Por ejemplo, en un caso simple, si se tiene una muestra de 10 aos (la media es 5 aos) la varianza de la estimacin del ao 10 al ao 11 aumenta un 44% (desde 25=(10-5)^2 hasta 36=(11-5)^2), pero con una muestra de 3 aos como en nuestro caso, la varianza de la prediccin anual desde el ao 3 al ao 4 aumenta un 178% (desde 82.25=(3-1.5)^2 hasta 6.25=(4-1.5)^2). El error de estimacin se reduce al aumentar el nmero de observaciones (T), y al aumentar la dispersin de la variable X, medida por la suma cuadrada de la diferencia de X respecto a su media.

6.2. PREDICCIN ESTATICA

En el caso ms simple, se quiere proyectar una sola serie (Y) a travs del tiempo, y no se tiene un modelo explicativo. En este caso debe generarse una serie de tendencia como se explica a continuacin. Ejemplo: Supongamos que deseamos obtener una prediccin individual de Y a travs del tiempo (prediccion.xls). Los datos corresponden a los aos 1991 al 2000, y se desea una prediccin para los aos 2001, 2002, 2003, 2004 y 2005. Primero debemos generar una serie de tendencia, por ejemplo 1, 2, como se muestra abajo, la que ser una serie ndice para el tiempo (eje X). Luego debemos correr la regresin de Y contra la serie de tendencia generada. La prediccin en Excel puede obtenerse seleccionando la casilla Curva de Regresin Ajustada.

Intercepcin Tendencia

Coeficientes Error tpico Estadstico t 55 4,43556563 12,3997714 10,1818182 0,71485613 14,2431712

27

Vase un aspecto simplificado de la demostracin en Judge et al., seccin 5.3.3.

119

Para obtener la prediccin, seleccione las celdas del ponstico, como se muestra abajo, y arrastre (con la cruz de la derecha abajo) 5 celdas hacia abajo:

Para construir un intervalo de confianza, note que puesto que T=10, se tienen 8 grados de libertad para la distribucin t, de modo que t(8)=2,306. Lim_sup = Y_PREDICC + 2.306*ERST Lim_inf = Y_PREDICC - 2.306*ERST

120

son:

El error estndar de prediccin y los lmites inferiores y superiores de los intervalos de confianza

Para apreciar el ajuste del modelo, veamos que sucede a travs de grficos de series de tiempo. Para ello, al marcar la casilla Curva de Regresin Ajustada Excel entreg un grfico que compara las observaciones actuales con las observaciones ajustadas por la regresin. A este grfico es posible agregar una lnea de tendencia (lineal) seleccionando con el botn derecho del Mouse uno de los puntos ajustados, y en opciones Extrapolar hacia delante 5 unidades (aos). Tambin es posible agragar las series de los limites inferior y superior del Intervalo de confianza, obteniendo lo que se muestra a continuacin:

Tendencia Curva de regresin ajustada

250

y = 10,182x + 55 200

150 Ventas 100 50 0 0 2 4 6 8 Tendencia Ventas Pronstico Ventas Lim Inferior Lim Superior Lineal (Pronstico Ventas) 10 12 14 16

121

6.3. CASO PRCTICO

Comenzaremos analizando el caso desarrollado por Hall, R., J. Johnston y D. Lilien (1990). Ver datos en Tabla 06.xls. Se trata de efectuar una prediccin del ingreso del ao 2001 de una cadena de hoteles, a partir de informacin de los aos 1990 al 2000. El ingreso total viene dado por: INGRESO TOTAL = NMERO DE HABITACIONES * INGRESO POR HABITACION * OCUPACION La informacin disponible corresponde a datos anuales del periodo 1990:1 2000:1. CPR = Tasa de inters de los papeles comerciales, GNP = Producto nacional bruto, OCCUP = Tasa de Ocupacin (%), PGNP = deflactor del producto, ROOMS = nmero de habitaciones disponibles en la cadena de hoteles, RRATE = ingreso promedio por habitacin diaria, UNEMP = tasa de desempleo. Las ventas histricas de la cadena de hoteles viene dada por el siguiente grfico:

Ingresos Anuales (millones de $)

3500,0

3000,0

2915,5 2605,5

2500,0

2161,0 2000,0 1780,5 1500,0 1369,2 1223,6 1121,7 1000,0 813,7 697,3 500,0 962,6 1539,1

0,0 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Intentamos proyectar separadamente la tasa de ocupacin (OCCUP, porcentaje de habitaciones usadas por noche), el ingreso por habitacin (RRATE, ingreso promedio por habitacin usada por noche) y el nmero de habitaciones (ROOMS, nmero de habitaciones en la cadena de hoteles).

122

a) Tasa de Ocupacin (OCCUP)

Probablemente la tasa de ocupacin est relacionada con medidas generales de la economa, tal como la tasa de desempleo o las tasas de inters. Puesto que la ocupacin parece mostrar una tendencia creciente, puede ser necesario considerar una variable de tendencia en el modelo.

OCCUP 76,00 74,00 72,00 70,00 68,00 66,00 64,00 62,00 60,00 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Entonces creamos una serie de tendencia que comienza en T=10 (a efectos que los resultados intermedios coincidan con los reportados por los autores originales del ejemplo). Aqu esta serie debe llegar hasta 21, partiendo desde la observacin 11. tend = T+10 ;*creamos la variable de tendencia que comienza en T=10

occup = beta0 + beta1*unemp + beta2*tend

Coeficientes Error tpico Estadstico t 69,0928581 2,38288717 28,9954384 -1,85418239 0,38522873 -4,81319859 0,78418836 0,1340615 5,84946753

Intercepcin UNEMP Tend

Se aprecia una relacin inversa entre desempleo y ocupacin de habitaciones (como se esperara), y la relacin positiva entre la tendencia y la ocupacin. A efectos de poder predecir la ocupacin se otra ecuacin para predecir el desempleo para el ao 2001. De modo que el enfoque de la ecuacin anteriormente estimada tiene algunas limitaciones28. El enfoque sugerido es utilizar una especificacin que incluya informacin rezagada de las variables para efectos de prediccin (esto es, una especificacin AR). Siguiendo a los autores del ejemplo, esto es lo que hacemos ahora, de modo que eliminamos la tendencia, pues ahora se tiene la variable dependiente rezagada como regresor. Incorporamos tambin la tasa de inters de corto plazo (Commercial Paper Rate) en la estimacin. Luego corremos la regresin con variable dependiente OCCUP y variables independientes el intercepto, OCCU, UNEMP y CPR rezagadas todas un periodo.

Se puede hacer una prediccin separada para el desempleo, y despus usar la regresin anterior para predecir la ocupacin de habitaciones. Esto sera un error, ya que se estar usando un coeficiente de 1.85 inapropiado. Otra alternativa es hacer una prediccin separada para el desempleo, y regresionar ste contra la ocupacin. En este caso el coeficiente de pendiente debe ser menor a 1.85 anterior, lo que sera ms correcto.

28

123

El resultado de la regresin es el siguiente:

Occup = beta0 + beta1*occup{1} +beta2*unemp{1} + beta3*CPR{1}

Coeficientes Error tpico Estadstico t -0,50976699 11,3977026 -0,04472542 0,99298019 0,15414898 6,44169159 1,04981138 0,36578966 2,86998647 -0,72478546 0,20525279 -3,53118445

Intercepcin Variable X 1 Variable X 2 Variable X 3

Con esto, los valores observados y ajustados (predichos) son:

Prediccion 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 67,058108 68,9073325 72,1736289 68,8317072 66,0360939 68,7666435 71,6160245 73,4803004 73,7764965 70,9536707 Occup 68,50 67,40 70,70 70,60 68,30 65,40 68,40 71,20 74,30 73,80 71,50

grfico.

As, la prediccin de la ocupacin para el ao 2001 es de 69,034. Podemos tambin hacer un

Tasa de Ocupacin Observada y Ajustada

76

74

72

70

68

66

64

62

60 1991 1992 1993 1994 1995 pronostico 1996 Observado 1997 1998 1999 2000

124

b) Ingreso por Habitacin (Room Rate)

Puesto que la variable est medida en dlares, existir un impacto por la inflacin, de modo que se requiere el uso de logaritmos. Crearemos las series de logaritmos para Ingreso por Habitacin (RRATE) y Producto nacional (PGNP), el deflactor del producto:

lrrate = ln(rrate) lpgnp = lln(pgnp)

;* el deflactor del Producto

lrrate = beta0 + beta1*lrrate{1} + beta2*lpgnp{1}

Coeficientes Error tpico Estadstico t -1,19183414 0,62933529 -1,89379834 0,86463788 0,20740382 4,16886176 0,35280069 0,25769805 1,36904681

Intercepcin Variable X 1 Variable X 2

El coeficiente de la serie LPGNP es muy bajo y tiene un alto error, sin embargo tiene sentido que puesto que los ingresos se mueven con la inflacin, el valor rezagado de sta sea un buen predictor de de los ingresos futuros, de modo que aceptamos esta especificacin.
Pronostico 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2,7739593 2,84239938 2,87593936 2,93356366 2,999124 3,13980119 3,21040364 3,31896088 3,45130208 3,61873983 Log(RRATE) 2,74 2,80 2,83 2,87 2,91 3,04 3,10 3,20 3,33 3,49 3,61

La prediccin para 2001 es 42,63. Luego, para poder graficar, se transforma la prediccin de la ltima regresin (el Log natural del ingreso por Habitacin) aplicando la Exponencial.
Ingreso por Habitacin vs Prediccin
40,0

35,0

30,0

25,0

20,0

15,0

10,0

5,0

0,0 1990 1991 1992 1993 1994 1995 Pronostico 1996 RRATE 1997 1998 1999 2000

125

c) Nmero de Habitaciones (ROOMS)

El nmero de habitaciones parece tener una tendencia, por lo que se requiere de una transformcin. Crearemos las series de logaritmos para nmero de habitaciones (ROOMS). Se supone que l nmero de habitaciones disponibles depende de la actividad econmica real. Par esto se deflacta el GNP, calculando el cuociente entre GPN y PGNP, y luego aplicando logaritmos, lrgnp = log(gnp/pgnp). lrooms = ln(rooms) lrgnp = ln(gnp/pgnp) lrooms = beta0 + beta1*lrooms{1} + beta2*lrgnp{1}

Intercepcin Variable X 1 Variable X 2

Coeficientes Error tpico Estadstico t 3,66544384 0,72033996 5,08849164 0,66808868 0,08184847 8,16250657 0,20183368 0,13747966 1,46809845

Luego se transforma la prediccin de la ltima regresin, para representar la prediccin realizada para el nmero de habitaciones.
Pronostico 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 12,23 12,31 12,39 12,47 12,52 12,54 12,56 12,57 12,60 12,63 Ln(ROOMS) 12,10 12,21 12,31 12,42 12,50 12,52 12,54 12,54 12,57 12,60 12,62 Pronostico 204582,74 221853,54 239517,58 260808,82 274511,45 279291,79 284389,72 288083,79 296048,95 304657,94 ROOMS 179364 200464 221113 246913 267032 274969 278064 278957 286529 296251 303578

Nmero de Habitaciones vs. Prediccin

350000

300000

250000

200000

150000

100000

50000

0 1991 1992 1993 1994 1995 1996 1997 ROOMS 1998 1999 2000 2001

Pronostico

126

d) Prediccin Final
Ahora, obtenemos la prediccin final para el ao 2001: Ingresos anuales = (occup/100)*(365*rrate/1000000)* rooms = 69,034/100 * 365*42,63/1000000 * 309572 = 3325,67 millones de dlares por ao De este modo, la prediccin para las ventas de la cadena de hoteles del ao 2001 es de US$3325.67 millones. Note que a travs de este enfoque no es posible obtener una prediccin para el ao 2002, a menos que se cuente con nueva informacin del ao 2001 para las diferentes variables explicativas. Este problema es salvado en cierta medida por los modelos atericos del siguiente captulo. Sin embargo, a modo de ilustracin, ntese que una especificacin AR(2) para el ingreso de la cadena de hoteles puede ser estimado como: Ingreso = beta0 + beta1*Ingreso{1} + beta2*Ingreso{2} Se obtiene: Beta0=11,68 Beta1=1,39 Beta2=-0,29 Y una prediccin para 2001 de 3326,67 millones de dlares por ao, lo que es bastante similar a lo obtenido anteriormente. Ntese que ahora puede estimarse ahora una prediccin para 2002 usando la misma ecuacin anterior, lo que arroja: de 3811,03 millones de dlares por ao

127

6.4. MEDIDAS DE ERROR DE PREDICCION

En ciertos casos se enfrentan varios modelos alternativos de prediccin, y debe buscarse el mejor de ellos. Para esto, es conveniente separar la muestra de observaciones disponibles en dos tipos: a) Muestra de Calibracin: Usada para calcular los prmetros del modelo b) Muestra de Validacin: Usada solo para estimar la precisin de la medicin. Entrega una evaluacin ucho ms precisa (realistica) que la muestra de calibracin.

En el proceso de Validacin, existen varias medidas que ayudan a seleccionar el modelo de prediccin que se ajusta mejor a los datos. Las medidas ms usadas son:

6.4.1. Error Cuadrtico Medio (Mean Squared Error, MSE)

Es la medida de precisin ms usada en estadstica:

MSE =
1

et2 n

La mayora de los errors caen dentro de 2*RMSE de los errores, por lo que su interpretacin esclara. Como caracterstica adicional, penaliza los errores grandes ms que los errores pequeos. A veces se usa la raiz cuadrada (Root Mean Squared Error, RMSE).

6.4.2. Promedio del Error Absoluto (Mean Absolute Error, MAE)

MAE =
1

et n

Tiene por caracterstica penalizar de igual modo todos los errores. Como ventaja ofrece una interpretacin atractiva: expresa el error promedio por perido, conservando las unidades originales de medicin.

6.4.3. Promedio del Porcentaje de Error Absoluto (Mean Absolute Percentage Error, MAPE)

et MAPE =
1 n

Yt n

donde yt = y observado

128

Como ventaja presenta una interpretacin atractiva, pues se expresa como porcentaje promedio de error por periodo, lo que permite la comparacin entre series diferentes (por ejemplo diferentes productos).

6.4.4. Ejemplo de Clculo

Evale el ajuste predictivo de (A) un modelo lineal y (B) un modelo AR(1) para las ventas de los aos 2000, 2001 y 2002.
Ao 1.990 1.991 1.992 1.993 1.994 1.995 1.996 1.997 1.998 1.999 2.000 2.001 2.002 Ventas ($) 200 220 250 270 300 280 290 320 350 300 310 340 345

Para esto se estiman ambos modelos para los aos 1990 - 1999. Los resultados de la estimacin son: (A): Vt = -26315,33 + 13,33 Aot (B): Vt = 107,83 + 0,649*Vt-1 Las predicciones con cada modelo se presentan a continuacin en las columnas Ventas (A) y Ventas (B):

1 2 3 4 5 6 7 8 9 10 11 12 13

Ao 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002

Ventas 200 220 250 270 300 280 290 320 350 300 310 340 345

Ventas (A) 218,00 231,33 244,67 258,00 271,33 284,67 298,00 311,33 324,67 338,00 351,33 364,67 378,00

Ventas (B) 237,63 250,61 270,08 283,06 302,53 289,55 296,04 315,51 334,98 325,23 318,91 314,80

Error 2 (A)

Error 2 (B)

Abs E (A)

Abs E (B)

% E (A)

% E (B)

1.708,44 608,44 1.089,00 1.135,30 MSE

232,08 444,86 911,88 529,61 MSE

41,33 24,67 33,00 33,00 MAD

15,23 21,09 30,20 22,17 MAD

13,33% 7,25% 9,57% 10,05% MAPE

4,91% 6,20% 8,75% 6,62% MAPE

Intercepto Pendiente

-26.315,33 13,3333

107,83 0,6490

Ntese que a travs del modelo B, para predecir los aos 2000, 2001 y 2002 debe usarse los datos anteriores de Ventas(B), y no los datos conocidos de Ventas. Por ejemplo 325,23=107,83 + 0,6490*334,98. Luego, se prefiere el modelo de regresin AR(1).

129

CAPTULO 7 MODELOS ARIMA

Box y Jenkins (1976) propusieron la que hoy en da es una muy popular mtodologa para la identificacin, estimacin y prediccin de series de tiempo univariadas estacionarias. Esta mtodologa se basa en los llamados modelos ARIMA, es decir modelos que poseen componentes autorregresivos (AR) y de medias mviles (MA), los que nos avocaremos a estimar ahora. La generalizacin de los modelos ARIMA al caso multivariado corresponde a los modelos de vectores autorregresivos (VAR). Los modelos ARIMA y los modelos VAR son a veces llamados a-tericos, en el sentido que una determinada serie es explicada bsicamente por informacin pasada de la misma serie, sin que necesariamente exista un modelo terico-econmico detrs. A pesar de esto, cuando el objetivo es predictivo se ha encontrado que tales modelos resultan ser exitosos en muchos casos. Puesto que ste es un tema extenso y con un gran desarrollo, especialmente terico, estamos aqu especialmente interesados en los aspectos estimacinales de los mismos.

7.1. AUTOCORRELACIONES SIMPLES Y PARCIALES

Anteriormente hemos calculado las autocorrelaciones simples de una serie usando la instruccin CORRELATE. Sin embargo en el anlisis de los modelos ARIMA es de inters estimar tambin las autocorrelaciones parciales, por lo que comentaremos esta instruccin con mayor detalle. Las autocorrelaciones parciales corresponden a las correlaciones entre observaciones que estn separadas k periodos de tiempo, manteniendo constantes las correlaciones de los rezagos intermedios. En otras palabras, es la correlacin entre Yt y Yt-k despus de eliminar el efecto de todas las observaciones intermedias de Y. En una versin posterior de este manual se analizarn las Autocorrelaciones Parciales en Excel. Por ahora nos limitamos a las autocorrelaciones simples.

130

9.2. PROCESOS AUTORREGRESIVOS (AR)

Un proceso autorregresivo de orden p, AR(p), es uno que tiene la siguiente forma:

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + et

es decir, el valor actual de Y es explicado por una serie de p rezagos de sta serie, ms un error que se asume bien comportado.

131

9.2.1. SIMULACION DE PROCESOS AR(1)

A modo de ilustracin, analicemos dos procesos AR(1):

Yt = 0.8Yt 1 + et

Yt = 1.05Yt 1 + et

donde et es N(0,1)

La simulacin de estos procesos en Excel puede ser como sigue:

Simulacin de modelos AR(1)

350

300

250

200

150

100

50

0
97 10 0 37 40 31 34 16 19 22 25 7 10 13 43 46 49 52 55 58 61 64 67 70 73 76 28 79 82 85 88 91 94 1 4

-50 0,85 1,05

Con esto concluimos que en un proceso autorregresivo puro, como los graficados, cuando el valor del coeficiente de Yt-1 es menor que 1 se tiene un proceso estable (estacionario), mientras que cuando este coeficiente es mayor a uno (por ejemplo 1.05 como en este ltimo caso), el proceso no es estable (a veces es llamado explosivo) 29, de modo que sta es entonces una condicin para la estabilidad del proceso (parte de este resultado ya fue analizado en el captulo anterior de races unitarias).

En realidad estas condiciones pueden mostrarse formalmente, para lo cual remitimos al lector a un libro de texto, por ejemplo Hamilton (1994).

29

132

9.2.2. ESTIMACION DE UN PROCESO AUTOREGRESIVO

Un proceso AR puro es sencillo de estimar pues es lineal, de modo que en Excel puede hacerse a travs de MCO. Veamos su funcionamiento a travs de un ejemplo: Ejemplo: Ver datos en Tabla 1 del Anexo al final del libro Un modelo AR=||1,3|| para el DESEMPLEO, es decir donde Y depende de Y{1} y de Y{3}, es: Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. AR{1} 1.531501948 0.194296334 7.88230 0.00010018 2. AR{3} -0.551202184 0.200659270 -2.74696 0.02862940

133

9.3. PROCESOS DE MEDIAS MOVILES

Un proceso de medias mviles de orden q es uno de la siguiente forma:

Yt = 0 et + 1et 1 + 2 et 2 + ... + q et q
es decir, el valor actual de Y es explicado por una serie de q rezagos de los errores de estimacin. El procedimiento de estimacin pasa por la implementacin del algoritmo de Gauss-Newton con derivadas numricas, el que puede ser aplicado en Excel a travs de Solver.

9.3.1. SIMULACION DE PROCESOS MA(1)

Podemos simular un proceso MA(q) haciendo que Y dependa de errores (0,1) rezagados.

9.3.2. ESTIMACION DE UN PROCESO DE MEDIAS MOVILES

Para el caso del desempleo, la estimacin de un proceso MA(2) con constante, requiere un ajuste o estimacin en funcin de los dos parmetros buscados (beta0 y beta1), con la caracterstica que el ajuste depende de los errores, es decir de la diferencia entre las series Desempleo y Ajuste. Desempleot = beta0 + beta1* et-2 Luego se calculan los errores al cuadrado y se suman, lo que constituye la suma cuadrada de errores, que es lo que se quiere minimizar para lograr el mejor ajuste posible del modelo a los datos. En los casos de los meses enero y febrero, el ajuste corresponde exactamente al coeficiente beta0, que es la esperanza del proceso, lo que permite calcular todos los errores. Los resultados del ejemplo se muestran a continuacin:

fecha desempleo 2000,01 497,40 2000,02 473,53 2000,03 479,93 2000,04 494,66 2000,05 521,18 2000,06 546,79 2000,07 592,45 2000,08 613,53 2000,09 626,59 2000,10 585,37 2000,11 551,84 2000,12 489,42

Ajuste 521,67 521,67 499,34 477,37 503,82 537,58 537,65 530,15 572,10 598,40 571,82 509,68

Error -24,27 -48,14 -19,41 17,29 17,36 9,21 54,80 83,38 54,49 -13,03 -19,98 -20,26 SCErr=

Error_2 589,20 2317,79 376,62 298,90 301,54 84,77 3002,73 6952,89 2969,32 169,90 399,09 410,43 17873,17

beta0 beta1

521,67 0,92

Con esto, una prediccin para enero y febrero de 2001 son respectivamente 503,29 y 503,03.

134

Dos observaciones on importantes en este punto: a) La anterior es claramente una estimacion no lineal, es decir de tipo iterativo. En consecuencia, al no tratarse de MCO, algunas de las propiedades de stos no se cumplen ahora. b) La herramienta SOLVER de Excel es de gran valor en esta parte. Sin embargo ser presentada aqu de un modo introductoria. Un ltimo ejemplo servir para clarificar la estimacin de este tipo de proceso: Desempleot = beta0 + beta1* et-1 + beta2* et-3 es decir un proceso MA(1,3) con constante. Para esto, solo es posible calcular los errores correctamente entre abril y diciembre. En marzo (celda B4) se escribe un modelo MA(1), aligual que en febrero. Enero se plantea con beta0. Los resultados son los siguientes:

135

9.3. PROCESOS ARIMA

Un proceso ARIMA(p,q) tiene la siguiente forma:

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + 0 et + 1et 1 + 2 et 2 + ... + q et q + et

es decir la unin de procesos AR(p) y MA(q). La siguiente tabla ilustra la especificacin para diferentes modelos ARIMA simples:

La estimacin de un modelo ARIMA en Exel es como sigue: Ejemplo:

BOXJENK(AR=||3||,MA=||2||) desempleo Dependent Variable DESEMPLEO - Estimation by Box-Jenkins Iterations Taken 10 Monthly Data From 2000:04 To 2000:12 Usable Observations 9 Degrees of Freedom 7 Centered R**2 -0.572325 R Bar **2 -0.796943 Uncentered R**2 0.988880 T x R**2 8.900 Mean of Dependent Variable 557.98888889 Std Error of Dependent Variable 49.94770877 Standard Error of Estimate 66.95495087 Sum of Squared Residuals 31380.758118 Durbin-Watson Statistic 0.387783 Q(2-2) 5.424152 Significance Level of Q 0.00000000 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. AR{3} 0.9825785293 0.0578230093 16.99286 0.00000060 2. MA{2} 1.0416452807 0.6656597453 1.56483 0.16160111

El mismo proceso con una constante ser:

136

Ejemplo:

BOXJENK(constant, AR=||3||,MA=||2||) desempleo Dependent Variable DESEMPLEO - Estimation by Box-Jenkins NO CONVERGENCE IN 20 ITERATIONS LAST CRITERION WAS 0.1534669 Monthly Data From 2000:04 To 2000:12 Usable Observations 9 Degrees of Freedom 6 Centered R**2 0.748319 R Bar **2 0.664425 Uncentered R**2 0.998220 T x R**2 8.984 Mean of Dependent Variable 557.98888889 Std Error of Dependent Variable 49.94770877 Standard Error of Estimate 28.93412632 Sum of Squared Residuals 5023.1019945 Durbin-Watson Statistic 0.314025 Q(2-2) 0.012288 Significance Level of Q 0.00000000 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. CONSTANT 492.9924859 1.5429219 319.51875 0.00000000 2. AR{3} -0.6715100 0.2070111 -3.24384 0.01760192 3. MA{2} 4.5048722 2.3014910 1.95737 0.09805183

Ntese que el algoritmo no ha alcanzado la convergencia para este ejemplo, probablemente debido al bajo nmero de observaciones. En cualquier caso el resultado obtenido anteriormente no puede considerarse como admisible. Puede intentarse aumentando el numero de iteraciones con ITERATIONS=100. Sin embargo esto tampoco asegura la convergencia.

137

7.4. EL ENFOQUE DE BOX Y JENKINS

Box y Jenkins han propuesto un procedimiento de 4 pasos que involucra la identificacin, estimacin, diagnstico y prediccin de modelos ARIMA.

138

Veamos a continuacin estos pasos para el ejemplo desarrollado por Enders (1996), pagina 47, para el ndice de precios al consumidor de los Estados Unidos.

9.4.1. PASO 1: IDENTIFICACIN

El objetivo aqu es identificar el tipo de modelo ARIMA apropiado a la serie que se est analizando. Ejemplo: cal 1960 1 4 all 0 1992:2 data(unit=input,org=obs) / WPI ... Ver datos en la Tabla 15 table Series WPI Obs 130 Mean 65.090000000 Std Error 31.366183959 Minimum Maximum 30.500000000 116.200000000 ;* la informacin es trimestral partiendo en el 1 trimestre de 1960.

source(noecho) c:\winrats\bjident.src @bjident wpi

0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS PARTIALS

-1.00 0 5 10 15 20

;* puesto que las correlaciones simples decrecen muy lentamente, asumimos que la serie contiene una raz unitaria, por lo que debe ser diferenciada. set dlwpi = log(wpi) - log(wpi{1}) ;* es la diferenciacin basada en logaritmos @bjident dlwpi ;* calculamos nuevamente las autocorrelaciones

139

0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS PARTIALS

-1.00 0 5 10 15 20

;* el grfico no es claro en sugerir una determinada estructura, por lo que se comienza intentando un ajuste ARMA(1,1):

9.4.2. PASO 2: ESTIMACIN

Una vez decidida una especificacin para la serie, procedemos a estimarla verificando si el nmero de rezagos es el apropiado.

140

boxjenk(constant,ar=1,ma=1) dlwpi / resids ...

;* un modelo ARMA(1,1) con intercepto

Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. CONSTANT 0.010484902 0.004405769 2.37981 0.01883337 2. AR{1} 0.889069641 0.059263358 15.00201 0.00000000 3. MA{1} -0.514522826 0.111683147 -4.60699 0.00000992

cor(partial=pacf,qstats,span=8,dfc=%nreg) resids

;* la correccin por grados de libertad es el nmero de regresores en BOXJENK

Correlations of Series RESIDS Quarterly Data From 1960:03 To 1992:02 Autocorrelations 1: 0.0074000 -0.0485621 -0.0120277 7: -0.0709830 -0.0954604 -0.1005335 13: 0.0116557 0.0424470 -0.0253348 19: 0.0445649 0.1333987 0.0265432 25: -0.1075636 0.1326487 0.0098318 31: -0.0902157 0.1551906

0.1585506 0.0133654 0.0147031 0.0350266 0.0454919

-0.0483299 0.1502811 -0.1225670 -0.0374033 -0.0119804 -0.0822551 -0.0012545 0.0750815 -0.0901244 -0.0275496

Partial Autocorrelations 1: 0.0074000 -0.0486195 -0.0113184 0.1567634 -0.0534576 0.1706623 7: -0.0832060 -0.1059913 -0.0898829 -0.0540433 -0.1009550 -0.0392973 13: 0.0487349 0.0667988 0.0340725 0.0104601 -0.0115962 -0.1276234 19: 0.0045915 0.0816563 0.0384150 0.0976347 -0.0005648 0.1000586 25: -0.1483901 0.0856106 -0.0279169 0.0449157 -0.0325792 -0.0695697 31: 0.0058260 0.1388075 Ljung-Box Q-Statistics Q(8) = 9.0642. Q(16) = 13.2492. Q(24) = 18.5435. Q(32) = 30.7083. Significance Significance Significance Significance Level Level Level Level 0.10653191 0.42875481 0.61439740 0.37930107

;* para efectos de comparacin posterior, se calculan las medidas de bondad de ajuste de Schwartz y Akaike respectivamente 30: compute sbc = %nobs*log(%rss) + %nreg*log(%nobs) compute aic = %nobs*log(%rss) + 2*%nreg display 'AIC' aic 'SBC' sbc AIC -523.39339 SBC -514.83730

;* analizamos los residuos, esperando que se comporten como ruido blanco, lo que implicara que el modelo ha sido bien ajustado.

Anteriormente vimos estas pruebas de parsimonia. El objetivo es minimizar ambos criterios, los que pueden ser negativos.

30

141

@bjident resids

0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS PARTIALS

-1.00 0 5 10 15 20

;* aparentemente las correlaciones del 4 residuo son altas en trminos relativos, por lo que puede sospecharse la existencia de un MA(4), debido posiblemente a la estacionalidad. Enders intenta entonces una especificacin ARMA(1,||1,4||): boxjenk(constant,ar=1,ma=||1,4||) dlwpi / resids ... cor(partial=pacf,qstats,span=8,dfc=%nreg) resids Correlations of Series RESIDS Quarterly Data From 1960:03 To 1992:02 Autocorrelations 1: 0.0089624 -0.0328139 0.0703164 -0.0371207 -0.1003303 0.1643790 7: -0.0416431 -0.0704238 -0.0637490 0.0023137 -0.0800136 0.0130417 13: 0.0672441 0.0760727 -0.0200882 -0.0009854 -0.0204687 -0.1018997 19: 0.0413006 0.1192971 0.0407567 0.0259783 0.0031011 0.0614874 25: -0.1015937 0.1397403 0.0185355 -0.0080937 -0.0413297 -0.0409861 31: -0.1119197 0.1516016 Partial 1: 7: 13: 19: 25: 31: Autocorrelations 0.0089624 -0.0328968 0.0709975 -0.0399206 -0.0953807 0.1619230 -0.0503915 -0.0497286 -0.0944232 0.0118146 -0.0505699 -0.0143084 0.0645411 0.0882197 -0.0048105 -0.0319778 -0.0138617 -0.1005960 0.0351777 0.0883233 0.0754616 0.0357150 -0.0111996 0.1115583 -0.1192968 0.1231648 -0.0347506 0.0352566 -0.0425849 -0.0582155 -0.0172188 0.1442226 Significance Significance Significance Significance Level Level Level Level 0.13752250 0.61317493 0.77128316 0.53382615 ;* estimamos el modelo ARMA(1,||1,4||)

Ljung-Box Q-Statistics Q(8) = 6.9692. Q(16) = 10.0318. Q(24) = 15.0892. Q(32) = 26.7146.

;* se calculan nuevamente las medidas de bondad de ajuste de Schwartz y Akaike:

142

compute sbc = %nobs*log(%rss) + %nreg*log(%nobs) compute aic = %nobs*log(%rss) + 2*%nreg display 'AIC' aic 'SBC' sbc AIC -527.39070 SBC -515.98258

;* ambos criterios sugieren que esta ltima especificacin es ms apropiada. Las autocorrelaciones son: @bjident resids
0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS PARTIALS

-1.00 0 5 10 15 20

;* en efecto, los residuos parecen ruido blanco, por lo que aceptamos esta ltima especificacin.

9.4.3. PASO 3: VERIFICACIN / DIAGNSTICO

Enders propone efectuar una prueba F de cambio estructural 31. compute rssall = %rss compute nobs = %nobs boxjenk(noprint,constant,ar=1,ma=||1,4||) dlwpi 1960:3 1971:4 resid compute rss1 = %rss boxjenk(noprint,constant,ar=1,ma=||1,4||) dlwpi 1972:1 1992:2 resid compute rss2 = %rss compute F = ((rssall-rss1-rss2)/%nreg)/((rss1+rss2)/(nobs-2*%nreg)) display F 0.53825 cdf ftest F %nreg nobs-2*%nreg F(4,120)= 0.53825 with Significance Level 0.70789873

31

Vase la seccin 3.9.

143

Puesto que la hiptesis nula es inexistencia de cambio estructural, no podemos rechazarla a los niveles usuales de confianza. Este resultado nos permitira usar el modelo anterior para fines predictivos.

9.4.4. PASO 4: PREDICCIN

Se obtienen 8 predicciones para cada modelo, limitando ahora el periodo de estimacin hasta 1990:4 solamente, en lugar de 1992:02 como antes, a fin de dejar un nmero de observaciones finales para una comparacin exsample, es decir con datos reales no usados en la estimacin. smpl 1960:1 1990:4 ;* se efectuarn estimaciones solamente para este subperiodo

boxjenk(noprint,define=eq1,constant,ar=1,ma=||1,4||) dlwpi 60:3 90:4 resids forecast 32(print) 1 8 1991:1 # eq1 fore1 ;* las predicciones son almacenadas en la serie fore1 y pueden obtenerse con print 91:01 92:04 fore1 Entry 1991:01 1991:02 1991:03 1991:04 1992:01 1992:02 1992:03 1992:04 DLWPI 0.0188847938078 0.0125375481179 0.0174885621621 0.0225979697375 0.0202683832419 0.0184263689693 0.0169698801945 0.0158182281240

boxjenk(noprint,define=eq2,constant,ar=1,ma=1) dlwpi 60:3 90:4 resids forecast(print) 1 8 1991:1 # eq2 fore2 ;* las predicciones son almacenadas en la serie fore2 Entry 1991:01 1991:02 1991:03 1991:04 1992:01 1992:02 1992:03 1992:04 DLWPI 0.0188094779880 0.0180561216985 0.0173876265082 0.0167944333198 0.0162680598113 0.0158009791435 0.0153865123313 0.0150187327370

Ahora mostramos un resumen de las series originales y de las predicciones de cada modelo.

32

Vase la prediccin de sistemas VAR en la seccin 9.5.3. para una descripcin de esta instruccin.

144

print

1990:01

1992:04 wpi dlwpi fore1 fore2 DLWPI 0.014519311324 -0.001803426999 0.017889564751 0.029696505354 -0.020870322726 -0.009713100646 -0.001776199401 0.001776199401 -0.002665483586 0.010619568827 NA NA FORE1 NA NA NA NA 0.0188847938078 0.0125375481179 0.0174885621621 0.0225979697375 0.0202683832419 0.0184263689693 0.0169698801945 0.0158182281240 FORE2 NA NA NA NA 0.0188094779880 0.0180561216985 0.0173876265082 0.0167944333198 0.0162680598113 0.0158009791435 0.0153865123313 0.0150187327370

ENTRY 1990:01 1990:02 1990:03 1990:04 1991:01 1991:02 1991:03 1991:04 1992:01 1992:02 1992:03 1992:04

WPI 111.00000000000 110.80000000000 112.80000000000 116.20000000000 113.80000000000 112.70000000000 112.50000000000 112.70000000000 112.40000000000 113.60000000000 NA NA

;* a fin de determinar cual modelo habra tenido ms xito en predecir los valores futuros de la serie DLWPI puede calcularse ahora la media de la suma cuadrada de los errores de prediccin (mean squared forecast errors, MSE), y tambin la suma cuadrada de los errores de prediccin. La comparacin ser hecha para el periodo 1991:01 a 1992:02. smpl 91:1 92:2 set error1 91:1 92:2 = (dlwpi - fore1)**2 set error2 91:1 92:2 = (dlwpi - fore2)**2 table / error1 error2 Series ERROR1 ERROR2 Obs Mean Std Error Minimum Maximum 6 0.00057785770 0.00051875480 0.00006094613 0.00158046929 6 0.00055395699 0.00055631156 0.00002684701 0.00157448658

;* el criterio de la MSE muestra que el modelo ARMA(1,1) lo habra hecho un poco mejor que el modelo ARMA(1,||1,4||). set error3 91:1 92:2 = (dlwpi - fore1) set error4 91:1 92:2 = (dlwpi - fore2) table / error3 error4 Series ERROR3 ERROR4 Obs Mean 6 -0.0221388274 6 -0.0209576728 Std Error Minimum Maximum 0.0102604107 -0.0397551165 -0.0078068001 0.0117336922 -0.0396798007 -0.0051814103

;* finalmente el ltimo criterio llega a una conclusin similar.

145

METODOS DE SUAVIZAMIENTO

S = nivel de suavizamiento de las series T = tasa de Tendencia I = Indice estacional (factor) e = error de prediccin P = span estacional

146

CAPTULO 8 ERROR EN LAS VARIABLES: INSTRUMENTOS

Existen muchos casos en que alguna de las variables independientes X no puede ser observada directamente, para lo cual puede asumirse que existe a su vez un modelo que explica X en funcin de un nmero de otras variables. Si este es el caso, se generan dos tipos de problemas: en primer lugar X ya no es fija, sino que es estocstica (regresores estocsticos), y segundo, X es medida con error (existe error de medicin o error en las variables). Hemos dicho anteriormente que cuando los regresores son estocsticos o existe error de medicin, generalmente se viola el supuesto de independencia de los errores con los regresores del modelo de regresin, lo que genera estimadores sesgados inconsistentes a travs de MCO, por lo que ste no es el mtodo apropiado. Ntese que este problema tambin ocurre en los modelos de series de tiempo tipo AR en que existe como variable explicativa una variable dependiente rezagada (Yt-1). Existen casos en un modelo de regresin mltiple en que el coeficiente de la variable medida con error no es de inters, por lo que uno podra plantearse simplemente el excluirla. Sin embargo es recomendado el uso de variables proxies (aquellas medidas con error) para mantener la especificacin del modelo, pues la omisin de variables relevantes puede introducir sesgos en los estimadores restantes.

8.1. VARIABLES INSTRUMENTALES

La mtodologa estndar para trabajar con este problema es el uso de variables instrumentales, es decir aquellas que explican a las variables medidas con error, las que deben cumplir con el requisito de no estar correlacionadas con el error, pero estar altamente correlacionadas con las variable exgenas. Bajo estas condiciones, el estimador de variables instrumentales es consistente en el lmite, sin embargo no necesariamente es el ptimo, pues pueden existir otros instrumentos con mejor comportamiento. Note tambin que el uso de muchos instrumentos consume observaciones (grados de libertad). Si el modelo que se desea estimar es

Y = 0 + 1 X +
sin embargo X no es conocida, aunque puede estimarse con error usando las variables Z1 y Z2, es decir:

X * = 0 + 1 Z1 + 2 Z 2 +

(1)

en que X* es una variable proxy de X, y Z es un instrumento. Ahora el modelo original puede ser reescrito como:

147

Y = + 1 1 Z1 + 2 1 Z 2 +

(2)

As, este problema puede ser reescrito como uno resolucin de las dos ecuaciones (1) y (2) simultneamente. El procedimiento de resolucin es llamado mnimos cuadrados en dos etapas (MC2E), que consiste en: Paso 1: estimar (1) y guardar la proyeccin de X. Paso 2: estimar (2) usando la proyeccin de X anterior.

8.2. ESTIMACIN CON INSTRUMENTOS EN SPSS

Veamos la forma de implementar la estimacin con instrumentos a travs de un ejemplo: Ejemplo: Se tiene Y que depende linealmente de X1 y X2 (Instrumentos.sav). Para la estimacin se dispone de los instrumentos Z2 y Z3. Primero la estimacin de X1 en funcin de los instrumentos, asegurando que los valores predichos (ajustados) sean guardados:
Coefficientsa Standardi zed Coefficien ts Beta .711 1.643

Model 1

(Constant) Z2 Z3

Unstandardized Coefficients B Std. Error 16.325 10.187 .960 1.465 2.600 1.717

t 1.603 .655 1.514

Sig. .135 .525 .156

a. Dependent Variable: X1

Luego la estimacin de X2 en funcin de los instrumentos, asegurando que los valores predichos (ajustados) sean guardados en otra serie nueva:
Coefficientsa Standardi zed Coefficien ts Beta -.096 -1.046

Model 1

(Constant) Z2 Z3

Unstandardized Coefficients B Std. Error 35.105 26.194 -.373 3.768 -4.737 4.414

t 1.340 -.099 -1.073

Sig. .205 .923 .304

a. Dependent Variable: X2

Los resultados de las series son como sigue:

148

Finalmente, la estimacin de Y en funcin de los valores predichos en las ecuaciones anteriores, que corresponde a la estimacin en dos etapas:
Coefficientsa Standardi zed Coefficien ts Beta 1.017 .255

Model 1

(Constant) Unstandardized Predicted Value Unstandardized Predicted Value

Unstandardized Coefficients B Std. Error -.621 115.644 1.122 9.696E-02 3.384 1.166

t -.005 .331 .083

Sig. .996 .746 .935

a. Dependent Variable: Y

Este resultado es posible de obtener directamente a travs de: Analize > Regression > 2-Stage Least Squares y seleccionando z1 y z2 como instrumentos:
MODEL: . . . ------------------ Variables in the Equation -----------------Variable X1 X2 (Constant) . . . B 1.121658 .096963 -.621193 SE B 4.466377 1.539588 152.650768 Beta 1.084998 .268545 T .251 .063 -.004 Sig T .8060 .9508 .9968 MOD_1.

de modo que verificamos los resultados previos.

149

8.3. EL ESTIMADOR DE VARIABLES INSTRUMENTALES

a) En el modelo lineal:

Y = X + e,

E [Z ' e] = 0
1

es decir con instrumentos independientes de los

errores, puede mostrarse que el estimador de V. Instrumentales es el de MC en 2 etapas dado por:

b N X ' ZW 1 Z ' X
donde por default

[(

) (X ' ZW

Z 'Y

, s 2 X ' ZW 1 Z ' X

W 1 = ( Z ' Z ) 1 , aunque esta matriz puede modificarse con la opcin WMATRIX para

generalizar y controlar el procedimiento. Operacionalmente, debe existir a lo menos tantos instrumentos como parmetros a estimar, de lo contrario el modelo puede resultar subidentificado (por ejemplo si se tienen que estimar 3 parmetros con solamente 2 instrumentos). b) En el caso de regresines no-lineales (por ejemplo modelos AR y Mnimos Cuadrados no lineales):

Y = f ( X , ) + e, E [Z ' e] = 0

b N min e' ZW 1 Z ' e

e e 1 , s ' ZW Z '
2

150

REFERENCIAS
Akaike, H. (1973). Information Theory and the Extension of the Maximum Likelihood Principle. En 2 International Symposium on Information Theory. B. Petrov y F. Csaki eds., Budapest. Bollerslev, T. (1986). Generalized Autorregressive Conditional Heteroscedasticity. Journal of Econometrics, Vol. 31(1986), pp 307-327. Box, G. y G. Jenkins (1976). Time Series Analysis, Forecasting and Control. Holden Day: San Francisco. Breush, T. (1978). Testing for Autocorrelation in Dynamic Linear Models. Australian Economic Papers, 17, pp. 334-355. Breusch, T. y A. Pagan (1979). A Simple Test for Heteroscedaticity and Random Coefficient Variation. Econometrica, Vol. 47, pp. 1287-1294. Chow, G. (1960). Tests of Equality Between Sets of Coefficients in Two Linear Regressions. Econometrica 28, pp. 591-605. Cochrane, D. y G. Orcutt (1949). Application of Least Squares Regression to Relationships Containing Autocorrelated Error Terms. Journal of the American Statistical Association 44, pp. 32-61. Doan, T. (1995). RATS-Users Manual-versin 4.2. Estima: Evanston Dickey, D. y W. Fuller (1979). "Distribution of the Estimates for Autoregressive Time Series with a Unit Root", Journal of the American Statistical Association, 74, pp. 427-431. Dickey, D. y W. Fuller (1981). "Likelihood ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica 49, pp. 1057-1072. Durbin, J. y G. Watson (1951). Testing for Serial Correlation in Least Squares Regression-II. Biometrika 38, pp. 159-178. Durbin, J. (1970). Testing for Serial Correlation in Least Squares Regression When Some of the Regressors are Lagged Dependent Variables. Econometrica 38, pp. 410-421. Engle, R. (1982).Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica (50): 987-1008. Engle, R. y C. Granger (1987), "Cointegration and Error Correction: Representation, Estimation and Testing", Econometrica, 55, 251-276. Engle, R. y B. Yoo (1987). Forecasting and Testing in Cointegrated Systems. Journal of Econometrics 35. pp. 143-159. Enders, W. (1995). Applied Econometric Time Series, New York. John Wiley and Sons. Enders, W. (1996). Rats Handbook for Econometric Time Series. John Wiley and Sons. Godfrey, L. (1978). Testing AgainstGeneral Autorregresive and Moving Average Error Models When the Regressors Include Lagged Dependent Variables. Econometrica, 46. pp. 1293-1302. Goldleld, S. y R. Quandt (1972). Nonlinear Methods in Econometrics. Amsterdam: North Holland, cap. 3. Granger, C. (1969). Investigating Causal Relations by Econometric Models and Cross Spectral Models. Econometrica, Vol. 37, pp. 424-438.

151

Greene, W. (1999). Anlisis Economtrico, Prentice Hall Iberia S.R.L. 3a. Edicin, Madrid, Espaa. Gujarati, D. (1997). Econometra. Mc Graw Hill. 3a. Edicin, Santaf de Bogot, Colombia. Hall, R., J. Johnston y D. Lilien (1990). MicroTsp Users Manual v. 7.0. Quantitative Micro Software, Irvine, California. Hamilton, J. (1994). Time Series Analysis. Princeton University Press. Hidreth, C. y J. Lu (1960). Demand Relations with Autocorrelated Disturbances. Technical Bulletin N276, Michigan State University. Agricultural Experiment Station. Intriligator, M. (1991). Modelos Economtricos, Tcnicas y Aplicaciones. Fondo de Cultura Econmica. Mxico. Johansen, S. (1988), "Statistical Analysis of Cointegrated Vectors", Journal of Economics Dynamics and Control, 12, 231-254 Judge, G., Hill C. y Griffihs, W. (1988). Introduction to the theory and Practice of Econometrics. John Wiley Sons. Second Edition. Klein, L. (1950). Economic Fluctuations in the United States 1921-1941. New York: John Wiley and Sons. Klein, L. (1962). An Introduction to Econometrics. Englewood Cliffs: Prentice Hall. Ljung, G. Y G. Box (1978). On a Measure of Lack of Fit in Time Series Models. Biometrica 65, 297-303. Maddala, G. S. (1996). Introduccin a la Econometra. Segunda Edicin. Prentice-Hall. Mackinnon, J. (1991). Critical Values of Cointegration Tests, en Engle y Granger eds. Long Run Economic Relationships: Readings in Cointegration, cap. 13. Oxford University Press. New York. Mills, T. (1993). The Econometric Modelling of Financial Time Series. Cambridge University Press. Newey, W. y K. West (1987). "A Simple Positive-Definite Heteroskedasticity and Autocorrelation Consistent Covariance Matrix". Econometrica (55): 703708. Otero J. M. (1993). Econometra, Series Temporales y Prediccin. Editorial AC. Primera Edicin. Pindyck, R. y D. Rubinfeld (1998). Econometric Models and Economic Forecasts. 4 Edicin. Irwin Mc Graw Hill. Schwartz, G. (1978). Estimating the Dimension of a Model. Annals of Statistics, Vol. 6, pp 461-464. Sims, C. (1980). Macroeconomics and Reality. Econometrica, Vol. 48, pp 1-49. White, H. (1980). A Heteroskedasticity-Consistent Covariance Matrix Estimator and Direct Test for Heteroskedasticity. Econometrica, Vol. 48, pp. 817-838. Zellner, A. (1962). An Efficient Method of Estimating Seemingly Unrelated Regressions and Test of Aggregation Bias. Journal of the American Statistical Association 57, pp. 348-368.

152

ANEXO: DATOS UTILIZADOS EN EL LIBRO

TABLA 1 INFORMACIN MENSUAL DE ACTIVIDAD ECONMICA EN CHILE (IMACEC), DESEMPLEO EN MILES DE PERSONAS DESOCUPADAS, E INDICE DE PRECIOS AL CONSUMIDOR (BASE: DICIEMBRE 1998=100). FECHA 2000.01 2000.02 2000.03 2000.04 2000.05 2000.06 2000.07 2000.08 2000.09 2000.10 2000.11 IMACEC 254.40 243.19 267.40 244.07 248.97 244.34 242.02 243.47 235.21 254.93 252.29 DESEMPLEO 497.40 473.53 479.93 494.66 521.18 546.79 592.45 613.53 626.59 585.37 551.84 IPC 102.49 103.06 103.81 104.31 104.53 104.77 104.91 105.18 105.82 106.46 106.82

2000.12 250.53 489.42 106.94 Fuente: Banco Central de Chile

153

TABLA 2 INFORMACIN DE 30 EMPRESAS RESPECTO A UNA FUNCIN DE PRODUCCIN COBB-DOUGLAS SIMPLE, EN QUE EL PRODUCTO (Q) ES EXPLICADO POR EL CAPITAL (K) Y EL TRABAJO (L) Empresa 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Trabajo (L) 0.228 0.258 0.821 0.767 0.495 0.487 0.678 0.748 0.727 0.695 0.458 0.981 0.002 0.429 0.231 0.664 0.631 0.059 0.811 0.758 0.050 0.823 0.483 0.682 0.116 0.440 0.456 0.342 0.358 Capital (K) 0.802 0.249 0.771 0.511 0.758 0.425 0.452 0.817 0.845 0.958 0.084 0.021 0.295 0.277 0.546 0.129 0.017 0.906 0.223 0.145 0.161 0.006 0.836 0.521 0.930 0.495 0.185 0.092 0.485 Producto (Q) 0.256918 0.183599 1.212883 0.522568 0.847894 0.763379 0.623130 1.031485 0.569948 0.882497 0.108827 0.026437 0.003750 0.461626 0.268474 0.186747 0.020671 0.100159 0.252334 0.103312 0.078945 0.005799 0.723250 0.776468 0.216536 0.541182 0.316320 0.123811 0.386354

0.162 0.934 0.279431 Fuente: Judge et al. Pg. 512

154

TABLA 3 AHORRO E INGRESO DEL REINO UNIDO 1946-1963 (MILLONES DE LIBRAS) Ao 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 Ahorro 0.36 0.21 0.08 0.20 0.10 0.12 0.41 0.50 0.43 0.59 0.90 0.95 0.82 1.04 1.53 1.94 1.75 Ingreso 8.8 9.4 10.0 10.6 11.0 11.9 12.7 13.5 14.3 15.5 16.7 17.7 18.6 19.7 21.1 22.8 23.9

1963 1.99 25.2 Fuente: Gujarati, Pg. 258

155

TABLA 4 CONSUMO E INGRESO DE 20 FAMILIAS (MILES DE DLARES) Familia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Consumo 19.9 31.2 31.8 12.1 40.7 6.1 38.6 25.5 10.3 38.8 8.0 33.1 33.5 13.1 14.8 21.6 29.3 25.0 17.9 Ingreso 22.3 32.3 36.6 12.1 42.3 6.2 44.7 26.1 10.3 40.2 8.1 34.5 38.0 14.1 16.4 24.1 30.1 28.3 18.2

20 19.8 20.1 Fuente: Maddala, Pg. 231

156

TABLA 5 INFORMACIN ANUAL HIPOTETICA DE INVENTARIOS (Y) Y DE VENTAS (X) EN UNA DETERMINADA REGIN. Ao 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 Inventario 52.9 53.8 54.9 58.2 60.0 63.4 68.2 78.0 84.7 90.6 98.2 101.7 102.7 108.3 124.7 157.9 158.2 170.2 180.0 198.0 Ventas 30.3 30.9 30.9 33.4 35.1 37.3 41.0 44.9 46.5 50.3 53.5 52.8 55.9 63.0 73.0 84.8 86.6 98.8 110.8 124.7

157

TABLA 6 INFORMACIN PARA LA PREDICCIN DE VENTAS DE UNA CADENA DE HOTELES. TASA DE INTERS DE CORTO PLAZO (CPR, COMMERCIAL PAPER RATE) PRODUCTO NACIONAL (GNP), OCUPACIN (OCCUP, PORCENTAJE DE HABITACIONES USADAS POR NOCHE), DEFLACTOR DEL PRODUCTO (PGNP), NUMERO DE HABITACIONES (ROOMS, NMERO DE HABITACIONES EN LA CADENA DE HOTELES). INGRESO POR HABITACIN (RRATE, INGRESO PROMEDIO POR HABITACIN USADA POR NOCHE) TASA DE DESEMPLEO (UNEMP) Ao 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 CPR 7.72 5.11 4.69 8.15 9.87 6.33 5.35 5.60 7.99 10.91 12.29 GNP 992.70 1077.60 1185.90 1326.40 1434.20 1549.20 1718.00 1918.00 2156.10 2413.90 2627.40 OCCUP 68.50 67.40 70.70 70.60 68.30 65.40 68.40 71.20 74.30 73.80 PGNP 91.45 96.01 100.00 105.69 114.92 125.56 132.11 139.83 150.05 162.77 ROOMS 179364 200464 221113 246913 267032 274969 278064 278957 286529 296251 RRATE 15.55 16.50 16.87 17.63 18.38 20.86 22.17 24.56 27.81 32.65 36.80 UNEMP 4.90 5.90 5.60 4.90 5.60 8.50 7.70 7.00 6.00 5.80 7.10

71.50 177.45 303578 Fuente: Hall et al. (1990)

158

TABLA 7 DATOS HIPOTETICOS: Y DEPENDE LINEALMENTE DE X1 Y X2. LOS INSTRUMENTOS SON Z2 Y Z3 Z2 1.1 1.5 1.7 1.8 2.0 2.3 2.4 2.7 3.0 3.1 3.4 3.6 3.9 4.0 4.5 Z3 5.0 4.7 4.6 4.4 4.2 4.0 3.7 3.6 3.5 3.2 3.0 2.9 2.6 2.5 X1 30.4 29.8 29.1 29.5 29.8 29.6 28.0 29.1 28.3 26.7 27.3 27.4 27.0 26.6 Y 34.8 35.6 34.1 33.2 33.8 32.1 32.0 32.9 31.9 33.7 31.9 31.0 32.3 30.3 X2 10 12 15 13 12 16 18 19 17 18 20 19 21 22 23

2.2 26.3 32.4 Fuente: Judge et al. Pg. 589.

159

TABLA 8 UN MODELO DE PRODUCCIN Y DE OFERTA DE DINERO EN EEUU (MILES DE MILLONES DE DLARES) Ao 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 PIB 1010.7 1097.2 1207.0 1349.6 1458.6 1585.9 1768.4 1974.1 2232.7 2488.6 2708.0 3030.6 3149.6 3405.0 3777.2 4038.7 4268.6 4539.9 4900.0 5250.8 5522.2 OFMONET 628.1 717.2 805.2 861.0 908.6 1023.3 1163.7 1286.6 1388.7 1496.7 1629.5 1792.9 1951.9 2186.1 2374.3 2569.4 2811.1 2910.8 3071.1 3227.3 3339.0 INVERS 150.3 175.5 205.6 243.1 245.8 226.0 286.4 358.3 434.0 480.2 467.6 558.0 503.4 546.7 718.9 714.5 717.6 749.3 793.6 832.3 799.5 GASTO 208.5 224.3 249.3 270.3 305.6 364.2 392.7 426.4 469.3 520.3 613.1 697.8 770.9 840.0 892.7 969.9 1028.2 1065.6 1109.0 1181.6 1273.6 1332.7

5677.5 3439.8 721.1 Fuente: Gujarati Pg. 675

160

TABLA 9 INFORMACIN DE 4 COSTOS Y PRODUCCION DE 4 EMPRESAS DURANTE 10 MESES Empresa Tiempo Costo Producto 1 1 43.72 38.46 1 2 45.86 35.32 1 3 4.74 3.78 1 4 40.58 35.34 1 5 25.86 20.83 1 6 36.05 36.72 1 7 50.94 41.67 1 8 42.48 30.71 1 9 25.60 23.70 1 10 49.81 39.53 2 1 51.03 32.52 2 2 27.75 18.71 2 3 35.72 27.01 2 4 35.85 18.66 2 5 43.28 25.58 2 6 48.52 39.19 2 7 64.18 47.70 2 8 38.34 27.01 2 9 45.39 33.57 2 10 43.69 27.32 3 1 43.90 32.86 3 2 23.77 18.52 3 3 28.60 22.93 3 4 27.71 25.02 3 5 40.38 35.13 3 6 36.43 27.29 3 7 19.31 16.99 3 8 16.55 12.56 3 9 30.97 26.76 3 10 46.60 41.42 4 1 64.29 41.86 4 2 42.16 28.33 4 3 61.99 34.21 4 4 34.26 15.69 4 5 47.67 29.70 4 6 45.14 23.03 4 7 35.31 14.80 4 8 35.43 21.53 4 9 54.33 32.86 4 10 59.23 42.25 Fuente: Judge Pg. 477

161

TABLA 10 INFORMACIN SIMULADA DE Y(X1,X2) OBS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Y 3.284 3.149 2.877 -0.467 1.211 1.389 1.145 2.321 0.998 0.379 1.106 0.428 0.011 1.179 1.858 0.388 0.651 0.593 0.046 X1 0.286 0.973 0.384 0.276 0.973 0.543 0.957 0.948 0.543 0.797 0.936 0.889 0.006 0.828 0.399 0.617 0.939 0.784 0.072 X2 0.645 0.585 0.310 0.058 0.455 0.779 0.259 0.202 0.028 0.099 0.142 0.296 0.175 0.180 0.842 0.039 0.103 0.620 0.158

1.152 0.889 0.704 Fuente: Judge et al. Pg. 500

162

TABLA 11 INFORMACIN SIMULADA DE Y(X1,X2) OBS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Y 42.08376 41.48572 39.05569 45.08922 51.66982 51.18388 54.77771 60.33432 49.75518 55.45921 52.46684 50.67572 51.64282 56.18829 66.21643 63.22733 68.96477 64.25953 63.75415 69.68355 X1 14.53 15.3 15.92 17.41 18.37 18.83 18.84 19.71 20.01 20.26 20.77 21.17 21.34 22.91 22.96 23.69 24.82 25.54 25.63 28.73 X2 16.74 16.81 19.5 22.12 22.34 17.41 20.24 20.37 12.71 22.98 19.33 17.04 16.74 19.81 31.92 26.31 25.93 21.96 24.05 25.66

163

TABLA 12 INFORMACIN DE 3 ECUACIONES DE DEMANDA EN 30 PERIODOS: CANTIDAD DEMANDADA (Q), PRECIO (P) E INGRESO (Y) OBS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 P1 10.763 13.033 9.244 4.605 13.045 7.706 7.405 7.519 8.764 13.511 4.943 8.360 5.721 7.225 6.617 14.219 6.769 7.769 9.804 11.063 6.535 11.063 4.016 4.759 5.483 7.890 8.460 6.195 6.743 11.977 P2 4.474 10.836 5.856 14.010 11.417 8.755 7.317 6.360 4.188 1.996 7.268 5.839 5.160 9.145 5.034 5.926 8.187 7.193 13.315 6.874 15.533 4.477 9.231 5.907 7.077 9.942 7.043 4.142 3.369 P3 6.629 13.774 4.063 3.868 14.922 14.318 4.794 3.768 8.089 2.708 12.901 11.115 11.220 5.810 5.516 3.707 10.125 2.471 8.976 12.883 4.115 4.962 6.294 8.298 9.638 7.122 4.157 10.040 15.459 Y 487.648 364.877 541.037 760.343 421.746 578.214 561.734 301.470 379.636 478.855 433.741 525.702 513.067 408.666 192.061 462.621 312.659 400.848 392.215 377.724 343.552 301.599 294.112 365.032 256.125 184.798 359.084 629.378 306.527 Q1 11.632 12.029 8.916 33.908 4.561 17.594 18.842 11.637 7.645 7.881 9.614 9.067 14.070 14.474 3.041 14.096 4.118 10.489 6.231 6.458 8.736 5.158 16.618 11.342 2.903 3.138 15.315 22.240 10.012 Q2 13.194 2.181 5.586 5.231 10.930 11.854 17.045 2.682 13.008 19.623 6.534 9.397 13.188 3.340 4.716 17.141 4.695 7.639 9.089 10.346 3.901 4.350 7.371 6.507 3.770 1.360 6.497 10.963 10.140 8.637 Q3 45.770 13.393 104.819 137.269 15.914 23.667 62.057 52.262 31.916 123.026 26.255 35.540 32.487 45.838 26.867 43.325 24.330 107.017 23.407 18.254 54.895 45.360 25.318 32.852 22.154 20.575 44.205 44.443 13.251 41.845

4.806 6.172 347.488 3.982 Fuente: Judge et al. Pg. 460

164

TABLA 13 INFORMACION DEL MODELO DE KLEIN AO 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 NUM CONSUMPTION PROFIT PRIVWAGE INVEST KLAGGED PRODUCTION GOVTWAGE 1 39.8 12.7 28.8 2.7 180.1 44.9 2.2 1 41.9 12.4 25.5 -0.2 182.8 45.6 2.7 1 45.0 16.9 29.3 1.9 182.6 50.1 2.9 1 49.2 18.4 34.1 5.2 184.5 57.2 2.9 1 50.6 19.4 33.9 3.0 189.7 57.1 3.1 1 52.6 20.1 35.4 5.1 192.7 61.0 3.2 1 55.1 19.6 37.4 5.6 197.8 64.0 3.3 1 56.2 19.8 37.9 4.2 203.4 64.4 3.6 1 57.3 21.1 39.2 3.0 207.6 64.5 3.7 1 57.8 21.7 41.3 5.1 210.6 67.0 4.0 1 55.0 15.6 37.9 1.0 215.7 61.2 4.2 1 50.9 11.4 34.5 -3.4 216.7 53.4 4.8 1 45.6 7.0 29.0 -6.2 213.3 44.3 5.3 1 46.5 11.2 28.5 -5.1 207.1 45.1 5.6 1 48.7 12.3 30.6 -3.0 202.0 49.7 6.0 1 51.3 14.0 33.2 -1.3 199.0 54.4 6.1 1 57.7 17.6 36.8 2.1 197.7 62.7 7.4 1 58.7 17.3 41.0 2.0 199.8 65.0 6.7 1 57.5 15.3 38.2 -1.9 201.8 60.9 7.7 1 61.6 19.0 41.6 1.3 199.9 69.5 7.8 1 65.0 21.1 45.0 3.3 201.2 75.7 8.0 1 69.7 23.5 53.3 4.9 204.5 88.4 8.5 Fuente: Disponible en el archivo KLEIN.DAT de RATS GOVTEXP TAXES 2.4 3.4 3.9 7.7 3.2 3.9 2.8 4.7 3.5 3.8 3.3 5.5 3.3 7.0 4.0 6.7 4.2 4.2 4.1 4.0 5.2 7.7 5.9 7.5 4.9 8.3 3.7 5.4 4.0 6.8 4.4 7.2 2.9 8.3 4.3 6.7 5.3 7.4 6.6 8.9 7.4 9.6 13.8 11.6

165

TABLA 14 INDICE GENERAL DE PRECIOS ACCIONARIOS (IGPA) DE LA BOLSA DE COMERCIO DE SANTIAGO DATOS MENSUALES FECHA 1990.01 1990.02 1990.03 1990.04 1990.05 1990.06 1990.07 1990.08 1990.09 1990.10 1990.11 IGPA 802.40 829.68 931.37 901.06 861.06 891.60 857.86 888.76 896.74 858.42 936.18 FECHA IGPA FECHA IGPA FECHA IGPA

1993.01 2939.67 1993.02 3127.27 1993.03 2948.19 1993.04 2787.76 1993.05 2675.69 1993.06 2826.93 1993.07 2949.26 1993.08 3040.29 1993.09 3087.02 1993.10 3208.54 1993.11 3285.49 1993.12 3615.50 1994.01 4311.05 1994.02 4702.80 1994.03 4307.29 1994.04 4102.54 1994.05 4245.29 1994.06 4499.48 1994.07 4318.90 1994.08 4547.97 1994.09 4906.31 1994.10 5471.56 1994.11 5651.67 1994.12 5504.47 1995.01 5409.15 1995.02 5350.15 1995.03 5137.97 1995.04 5363.88 1995.05 5843.19 1995.06 6069.80 1995.07 6234.64 1995.08 6034.46 1995.09 5882.67 1995.10 5902.37 1995.11 5631.62

1996.01 5745.79 1996.02 5625.93 1996.03 5451.65 1996.04 5378.07 1996.05 5517.94 1996.06 5453.43 1996.07 5628.65 1996.08 5407.54 1996.09 5382.00 1996.10 5488.50 1996.11 5232.81 1996.12 4943.34 1997.01 5172.68 1997.02 5331.90 1997.03 5307.08 1997.04 5344.03 1997.05 5415.49 1997.06 5739.46 1997.07 5750.77 1997.08 5620.24 1997.09 5517.77 1997.10 5239.03 1997.11 4976.63 1997.12 4810.56 1998.01 4452.31 1998.02 4368.63 1998.03 4756.54 1998.04 4699.52 1998.05 4431.90 1998.06 4161.43 1998.07 4084.03 1998.08 3764.43 1998.09 3170.57 1998.10 3224.28 1998.11 3774.36

1999.01 3474.93 1999.02 3739.60 1999.03 3970.71 1999.04 4412.83 1999.05 4565.42 1999.06 4648.06 1999.07 4871.82 1999.08 4657.97 1999.09 4739.64 1999.10 4548.55 1999.11 4767.62 1999.12 5057.12 2000.01 5420.91 2000.02 5429.44 2000.03 5214.47 2000.04 5037.26 2000.05 4995.42 2000.06 4928.17 2000.07 4882.20 2000.08 4950.68 2000.09 4912.98 2000.10 4706.87 2000.11 4858.08 2000.12 4868.71 2001.01 5021.37 2001.02 4973.26 2001.03 4945.14

1990.12 1121.75 1991.01 1195.34 1991.02 1435.84 1991.03 1599.07 1991.04 1714.48 1991.05 1697.86 1991.06 1866.50 1991.07 2107.86 1991.08 2320.96 1991.09 2662.28 1991.10 2830.03 1991.11 2489.71 1991.12 2438.45 1992.01 2426.97 1992.02 2546.94 1992.03 2867.28 1992.04 2981.53 1992.05 3008.54 1992.06 2981.96 1992.07 3002.73 1992.08 2922.06 1992.09 2814.80 1992.10 2750.54 1992.11 2751.26 1992.12 2687.12

1995.12 5700.85 1998.12 3653.32 Fuente: Bolsa de Comercio de Santiago

166

TABLA 15 INDICE DE PRECIOS AL CONSUMIDOR DE LOS ESTADOS UNIDOS (WPI) (TRIMESTRAL) TRIM 1960.1 1960.2 1960.3 1960.4 1961.1 1961.2 1961.3 1961.4 1962.1 1962.2 1962.3 1962.4 1963.1 1963.2 1963.3 1963.4 1964.1 1964.2 1964.3 1964.4 1965.1 1965.2 1965.3 1965.4 1966.1 1966.2 1966.3 1966.4 1967.1 1967.2 1967.3 1967.4 1968.1 1968.2 1968.3 1968.4 WPI 30.7 30.8 30.7 30.7 30.8 30.5 30.5 30.6 30.7 30.6 30.7 30.7 30.6 30.5 30.6 30.7 30.7 30.6 30.7 30.7 30.9 31.2 31.4 31.6 32.1 32.2 32.6 32.4 32.3 32.3 32.4 32.5 32.9 33.1 33.3 33.4 TRIM 1969.1 1969.2 1969.3 1969.4 1970.1 1970.2 1970.3 1970.4 1971.1 1971.2 1971.3 1971.4 1972.1 1972.2 1972.3 1972.4 1973.1 1973.2 1973.3 1973.4 1974.1 1974.2 1974.3 1974.4 1975.1 1975.2 1975.3 1975.4 1976.1 1976.2 1976.3 1976.4 1977.1 1977.2 1977.3 WPI 33.9 34.4 34.7 35.0 35.5 35.7 35.9 35.9 36.5 36.9 37.2 37.2 37.9 38.3 38.8 39.2 41.1 43.1 44.9 45.3 48.3 50.0 53.6 55.4 55.4 56.0 57.2 57.8 58.1 59.0 59.7 60.2 61.6 63.0 63.1 TRIM 1978.1 1978.2 1978.3 1978.4 1979.1 1979.2 1979.3 1979.4 1980.1 1980.2 1980.3 1980.4 1981.1 1981.2 1981.3 1981.4 1982.1 1982.2 1982.3 1982.4 1983.1 1983.2 1983.3 1983.4 1984.1 1984.2 1984.3 1984.4 1985.1 1985.2 1985.3 1985.4 1986.1 1986.2 1986.3 WPI 65.4 67.4 68.4 70.0 72.5 75.1 77.4 80.2 83.9 85.6 88.4 90.4 93.1 95.2 95.9 95.8 96.6 96.7 97.1 97.2 97.3 97.6 98.6 99.1 100.2 100.8 100.6 100.3 100.1 100.2 99.5 100.1 98.6 96.8 96.3 TRIM 1987.1 1987.2 1987.3 1987.4 1988.1 1988.2 1988.3 1988.4 1989.1 1989.2 1989.3 1989.4 1990.1 1990.2 1990.3 1990.4 1991.1 1991.2 1991.3 1991.4 1992.1 1992.2 WPI 97.8 99.4 100.5 101.0 101.6 103.2 104.7 105.2 107.5 109.4 109.0 109.4 111.0 110.8 112.8 116.2 113.8 112.7 112.5 112.7 112.4 113.6

1977.4 63.9 1986.4 96.7 Fuente: Enders (1996), Pg. 47

167

TABLA 16 CAMBIOS TRIMESTRALES DESESTACIONALIZADOS EN EL PRODUCTO PER CPITA (Y1) Y EN EL INGRESO DISPONIBLE (Y2) DE LOS EEUU TRIM 1951.2 1951.3 1951.4 1952.1 1952.2 1952.3 1952.4 1953.1 1953.2 1953.3 1953.4 1954.1 1954.2 1954.3 1954.4 1955.1 1955.2 1955.3 1955.4 1956.1 1956.2 1956.3 1956.4 1957.1 1957.2 1957.3 1957.4 1958.1 1958.2 1958.3 1958.4 1959.1 1959.2 1959.3 1959.4 1960.1 1960.2 1960.3 Y1 -61 8 -1 -4 30 -1 45 17 2 -17 -16 -4 8 23 31 31 33 14 26 -7 -6 -4 13 4 -6 5 -6 -37 12 25 16 39 23 9 -5 1 24 Y2 42 -1 -11 -12 16 41 14 17 26 -20 -10 -11 -23 29 36 8 43 31 29 8 9 2 20 -10 5 1 -20 -35 6 45 25 6 32 -30 10 6 6 TRIM 1960.4 1961.1 1961.2 1961.3 1961.4 1962.1 1962.2 1962.3 1962.4 1963.1 1963.2 1963.3 1963.4 1964.1 1964.2 1964.3 1964.4 1965.1 1965.2 1965.3 1965.4 1966.1 1966.2 1966.3 1966.4 1967.1 1967.2 1967.3 1967.4 1968.1 1968.2 1968.3 1968.4 1969.1 1969.2 1969.3 1969.4 Y1 -9 -5 23 -3 37 13 21 10 23 8 15 24 8 39 38 35 -3 46 17 35 65 29 -2 22 0 15 31 7 6 54 30 54 8 21 9 9 16 Y2 -23 13 28 17 38 14 16 3 1 15 17 19 30 47 75 27 23 22 32 76 47 17 6 27 21 38 21 16 17 36 43 -7 9 -2 19 47 10

-19 -12 Fuente: Judge et al. Pg. 760

168