Академический Документы
Профессиональный Документы
Культура Документы
Ezequiel Uriel
Universidad de Valencia
Versin: 09-2013
6 Relajacin de los supuestos en el modelo lineal clsico 1
6.1 Relajacin de los supuestos del MLC: una panormica 1
6.2 Errores de especificacin 4
6.2.1 Consecuencias de la especificacin errnea 4
6.2.2 Contrastes de especificacin: el contraste RESET 6
6.3 Multicolinealidad 8
6.3.1 Planteamiento 8
6.3.2 Deteccin 9
6.3.3 Soluciones 12
6.4 Contraste de normalidad 13
6.5 Heteroscedasticidad 15
6.5.1 Causas de la heteroscedasticidad 15
6.5.2 Consecuencias de la heteroscedasticidad 16
6.5.3 Contrastes de heteroscedasticidad 16
6.5.4 Estimacin de la matriz de covarianzas consistente bajo heteroscedasticidad 22
6.5.5 Tratamiento de la heteroscedasticidad 23
6.6 Autocorrelacin 26
6.6.1 Causas of autocorrelacin 27
6.6.2 Consecuencias de la autocorrelacin 28
6.6.3 Contrastes de autocorrelacin 28
6.6.4 Errores estndar HAC 34
6.6.5 Tratamiento de la autocorrelacin 35
Ejercicios 36
Apndice 6.1 47
1
experimentalmente. En cambio, es menos admisible en variables obtenidas mediante
observacin de carcter pasivo, como sera el caso de la renta en la funcin del
consumo.
Cuando los regresores son estocsticos, la relacin estadstica entre los
regresores y la perturbacin aleatoria es un punto crucial en la elaboracin de un modelo
economtrico. Por ello se formul el supuesto alternativo 2*: los regresores x2 , x3 ,, xk
se distribuyen independientemente de la perturbacin aleatoria. Cuando asumimos este
supuesto alternativo, la inferencia, condicionada a la matriz de los regresores, lleva a
unos resultados que son prcticamente coincidentes con el caso en que la matriz X es
fija. En otras palabras, en el caso de independencia entre los regresores y la perturbacin
aleatoria, el mtodo de mnimos cuadrados ordinarios sigue siendo el mtodo ptimo
para la estimacin del vector de coeficientes.
En el supuesto 3 se postulaba que la matriz de regresores X no contiene errores
de medida. En el caso de que los tuviera se plantea un problema economtrico muy
grave, cuya solucin es compleja.
El supuesto 4 establece que no existe relacin lineal exacta entre los regresores,
o, en otras palabras, establece que no existe multicolinealidad perfecta en el modelo.
Este supuesto es necesario para el clculo del vector de estimadores mnimo
cuadrticos. La multicolinealidad perfecta no se suele presentar en la prctica. En
cambio, s es frecuente que entre los regresores exista una relacin aproximadamente
lineal, en cuyo caso los estimadores que se obtengan sern en general poco precisos,
aunque siguen conservando la propiedad de ser estimadores ELIO. En otras palabras, la
relacin entre regresores hace que sea difcil cuantificar con precisin el efecto que cada
regresor ejerce sobre el regresando, lo que determina que las varianzas de los
estimadores sean elevadas. Cuando se presenta una relacin aproximadamente lineal
entre los regresores, se dice que existe multicolinealidad no perfecta. El epgrafe 6.3 se
dedica a examinar la deteccin de la multicolinealidad (no perfecta), as como algunas
de las posibles soluciones.
2
siguiente problema. Cuando se cumplen los supuestos del MLC, las perturbaciones
aleatorias son homoscedsticas y no autocorrelacionadas, pero en cambio los residuos
son heteroscedsticos y estn autocorrelacionados, bajo dichos supuestos. Esta
circunstancia ha de tenerse en cuenta en el diseo de los contrastes estadsticos sobre los
supuestos de homoscedasticidad y no autocorrelacin.
Si no se cumplen los supuestos 7 de homoscedasticidad y/o 8 de no
autocorrelacin los estimadores obtenidos por mnimos cuadrados siguen siendo
lineales, insesgados pero no ptimos.
Los supuestos de homoscedasticidad y no autocorrelacin formuladas en el tema
3, respectivamente, se pueden formular conjuntamente indicando que la matriz de
covarianzas de las perturbaciones aleatorias es una matriz escalar, es decir,
E (uu) 2I (6-2)
Cuando no se cumple uno, o los dos, de los supuestos sealados, entonces la
matriz de covarianzas ser menos restrictiva. As, consideraremos la siguiente matriz de
covarianzas de las perturbaciones:
E (uu) 2 (6-3)
donde la nica restriccin que se impone a es que sea una matriz definida positiva.
Cuando la matriz de covarianzas es una matriz no escalar, como (6-3), entonces
pueden obtenerse unos estimadores lineales, insesgados y ptimos mediante la
aplicacin del mtodo de mnimos cuadrados generalizados (MCG). La expresin de
estos estimadores es la siguiente:
1
X 1X X 1y (6-4)
4
n
(x 2i x2 ) x3i
Bias( 2 ) 3 i 1
n (6-11)
( x2i x2 )2
i 1
(x
i 1
2i x2 ) x3i
n
(x
i 1
2i x2 )2
(x 2i x2 ) x3i
x2 1 2 x2 1 i 1
n
x2 (6-12)
(x
i 1
2i x2 ) 2
comprensin del contenido de este cuadro debe tenerse en cuenta que el signo de 2 tiene el
mismo signo que la correlacin muestral entre x2 y x3.
CUADRO 6.1. Resumen del sesgo en 2 cuando se omite x2 en le ecuacin estimada.
Corr(x2,x3)>0 Corr(x2,x3)<0
3>0 Sesgo positivo Sesgo negativo
3<0 Sesgo negativo Sesgo positivo
5
Specification Error Test). Este contraste es un contraste general para errores de
especificacin propuesto por Ramsey (1969). Para explicarlo, consideraremos que el
modelo inicial es el siguiente:
y 1 2 x2 3 x3 +u (6-14)
Ahora, vamos a introducir un modelo aumentado en el cual aparecen dos nuevas
variables (z1 and z2):
y 1 2 x2 3 x3 1 z1 2 z2 +u (6-15)
Teniendo en cuenta la especificacin de los dos modelos, las hiptesis nula y
alternativa sern las siguientes:
H 0 : 1 2 0
(6-16)
H1 : H 0 no es cierta
La cuestin clave para construir este contraste es determinar las variables o
regresores z que se deben introducir. En el caso de exclusin de variables relevantes, las
variables z sern los regresores omitidos o tambin cuadrados o potencias de nuevos
regresores. El contrate a aplicar sera similar a los contrastes de exclusin, pero con los
papeles invertidos: el modelo restringido es ahora el modelo inicial, mientras que el
modelo no restringido se corresponde con el modelo aumentado.
En el contraste para formas funcionales incorrectas, consideremos, por ejemplo,
que se ha especificado (6-14) en lugar de la verdadera relacin:
ln( y ) 1 2 ln( x2 ) 3ln( x3 )+u (6-17)
En el modelo (6-17) existe una relacin multiplicativa entre los regresores.
Ramsey, tuvo en cuenta que una aproximacin por series de Taylor de una relacin
multiplicativa dara lugar a una expresin que incluira potencias y productos cruzados
de las variables explicativas. Por esta razn, este autor sugiere la inclusin, en el modelo
aumentado, de potencias de los valores predichos de la variable independiente (que son,
por supuesto, combinaciones de potencias y productos cruzados de las variables
explicativas):
y 1 2 x2 3 x3 1 y 2 2 y 3 +u
(6-18)
donde las y son los valores ajustados por MCO correspondientes al modelo (6-14). Los
superndices indican las potencias a las estos valores predichos estn elevados. No se
incluye la primera potencia porque sera perfectamente colineal con el resto de los
regresores del modelo inicial l.
Los pasos implicados en el contraste RESET son los siguientes:
Paso 1. Se estima el modelo inicial y se calculan los valores ajustados, y i .
Paso 2. Se estima el modelo aumentado (6-18), el cual puede incluir una o ms
potencias de y i .
6
( Raum
2
Rinic
2
)/r
F (6-19)
(1 Raum ) / (n h)
2
R2=0.249 n=150
donde educacin (educ) y antigedad en la empresa (tenure) estn medidos en aos y el salario (wage) en
euros por hora.
Considerando que poda haber un problema de forma funcional incorrecta, se estim un modelo
aumentado. En este modelo aumentado adems de educ, tenure, y el trmino independiente - wage2 y
i
, obtenidos a partir de la estimacin del modelo inicial, fueron incluidos como regresores. El
wage
3
i
6.3 Multicolinealidad
6.3.1 Planteamiento
La multicolinealidad perfecta no se suele presentar en la prctica, salvo que se
disee mal el modelo como veremos en el epgrafe siguiente. En cambio, s es frecuente
que entre los regresores exista una relacin aproximadamente lineal, en cuyo caso los
estimadores que se obtengan sern en general poco precisos, aunque siguen
7
conservando la propiedad de ser estimadores ELIO. En otras palabras, la relacin entre
regresores hace que sea difcil cuantificar con precisin el efecto que cada regresor
ejerce sobre el regresando, lo que determina que las varianzas de los estimadores sean
elevadas. Cuando se presenta una relacin aproximadamente lineal entre los regresores,
se dice que existe multicolinealidad no perfecta. Es importante sealar que el problema
de multicolinealidad, surge porque no existe informacin suficiente para obtener una
estimacin precisa de los parmetros del modelo.
Para analizar este problema, vamos a examinar la varianza de un estimador. En
el modelo de regresin lineal mltiple, el estimador de la varianza de un coeficiente de
pendiente cualquiera por ejemplo, de j - se puede formular de la siguiente forma:
s 2
var(b j ) = (6-21)
nS 2j (1- R 2j )
6.3.2 Deteccin
Como la multicolinealidad es un problema muestral, ya que va asociada a la
configuracin concreta de la matriz de los regresores, no existen contrastes estadsticos,
propiamente dichos, que sean aplicables para su deteccin. (Recuerde que los contrastes
estadsticos van referidos a parmetros poblacionales). En cambio, se han desarrollado
numerosas reglas prcticas que tratan de determinar en qu medida la multicolinealidad
afecta gravemente a las inferencias realizadas con un modelo. Estas reglas no son
siempre fiables, siendo en algunos casos muy discutibles. En cualquier caso, se van a
exponer algunas medidas que son tiles para detectar el grado de multicolinealidad: el
factor de agrandamiento de la varianza (FAV) y la tolerancia, y el nmero de condicin
y el coeficiente de descomposicin de la varianza.
8
Factor de agrandamiento de la varianza (FAV) y tolerancia
Con objeto de explicar el significado de estas medidas, supongamos que no
existe ningn tipo de relacin lineal entre el regresor xj y el resto de regresores del
modelo, es decir, el regresor xj es ortogonal con el resto de los regresores. Entonces, R 2j
ser 0 y la varianza de ser igual a
j
s 2
var( b *j ) = 2 (6-22)
nS j
El cociente entre (6-21) y (6-22) es precisamente el factor de agrandamiento de
la varianza (FAV), cuya expresin ser
1
FAV ( j ) (6-23)
1 R 2j
Al estadstico FAV calculado de acuerdo a (6-23) se le denomina a veces FAV
centrado para distinguirlo del FAV no centrado el cual tiene inters en los modelos
sin trmino independiente. El programa E-views ofrece ambos estadsticos.
La tolerancia, que es la inversa de FAV, se define como,
1
Tolerancia( j ) 1 R 2j (6-24).
FAV
As, pues, el FAV ( j ) es la ratio entre la varianza observada y la que habra
sido en caso de que xj estuviera incorrelacionado con el resto de regresores del modelo.
Dicho de otra forma, el FAV muestra en qu medida se agranda la varianza del
estimador como consecuencia de la no ortogonalidad de los regresores. Se puede ver
fcilmente que cuanto ms elevado sea el FAV (o cuanto ms baja sea la tolerancia),
ms elevada ser la varianza de j .
9
CUADRO 6.2. Tolerancia y FAV.
Estadsticos de colinealidad
Tolerancia FAV
edad 0.2346 4.2634
antigedad 0.2104 4.7532
salario 0.7891 1.2673
var( j ) 2 jh (6-26)
h h
u 2jh
h
jh (6-27)
k u 2jh
h0 h
10
caracterstica ms pequea pueden dar una clave de cules son los regresores que estn
implicados en el problema de multicolinealidad.
EJEMPLO 6.3 Analizando la multicolinealidad de los factores que determinan el tiempo dedicado al
trabajo domstico
Con objeto de analizar los factores que influyen sobre el tiempo dedicado al trabajo domstico
(houswork), se formul el siguiente modelo en ejercicio 3.17, utilizando el archivo timuse03:
houswork 1 2 educ 3 hhinc 4 age 5 paidwork u
donde educ son los aos de educacin alcanzada, hhinc es la renta de la familia en euros por mes. Las
variables houswork y paidwork estn medidas en minutos por da.
El cuadro 6.3 proporciona informacin sobre las races caractersticas, ordenadas de la ms
pequea a la mayor, y las proporciones de descomposicin de la varianza para cada raz caracterstica
estn calculadas segn (6-27). El nmero de condicin es igual a
max 542.14
8782
min 7.06 E 06
Como puede verse, el nmero de condicin es muy elevado, lo que indicara que el problema de
multicolinealidad es muy importante.
Como puede verse en el cuadro 6.31 las proporciones ms elevadas asociadas a la raz
caracterstica ms pequea, que es la responsable de la multicolinealidad en este modelo, corresponden a
los regresores educ y age. Estos dos regresores estn inversamente correlacionados. Las proporciones ms
elevadas asociadas a la segunda raz caracterstica ms pequea corresponden a los regresores educacin
alcanzada y renta del hogar, que estn positivamente correlacionadas.
CUADRO 6.3. Races caractersticas y proporciones de descomposicin de la varianza.
Races
caractersticas
7.03E-06 0.000498 0.025701 1.861396 542.1400
Associated Eigenvalue
Variable 1 2 3 4 5
6.3.3 Soluciones
En principio, el problema de la multicolinealidad est relacionado con
deficiencias en la informacin muestral. El diseo no experimental de la muestra es, a
menudo, el responsable de estas deficiencias. Veamos a continuacin algunas de las
soluciones propuestas para resolver el problema de la multicolinealidad.
Eliminacin de variables
La multicolinealidad puede atenuarse si se eliminan los regresores que son ms
afectados por la multicolinealidad. El problema que plantea esta solucin es que los
1 En el cuadro 6.3 las races caractersticas estn ordenadas de menor a mayor lo mismo que las races
caractersticas asociadas (associated eigenvalue) las proporciones de descomposicin de la varianza.
Conviene advertir que en el E-views las races caractersticas estn ordenadas de mayor a menor. Por otra
parte, el nmero de condicin est definido de forma diferente a la que es usual en los manuales de
econometra la cual hemos seguido.
11
estimadores del nuevo modelo sern sesgados en el caso de que el modelo original fuera
el correcto. Sobre esta cuestin conviene hacer la siguiente reflexin. El investigador
est interesado en que un estimador sea insesgado (o, si no puede ser, que tenga un
sesgo pequeo) y tenga una varianza reducida. El error cuadrtico medio (ECM) recoge
ambos factores. As, para el estimador j , el ECM se define de la siguiente manera:
2
ECM ( j ) sesgo( j ) Var ( j ) (6-28)
Utilizacin de ratios
Si en lugar del regresando y de los regresores del modelo original se utilizan
ratios con respecto al regresor que tenga mayor colinealidad, puede hacer que la
correlacin entre los regresores del modelo disminuya. Una solucin de este tipo resulta
muy atractiva, por su sencillez de aplicacin. Sin embargo, las transformaciones de las
12
variables originales del modelo que se estima utilizando ratios pueden provocar otro
tipo de problemas. Suponiendo admisibles los supuestos del MLC con respecto a las
perturbaciones originales del modelo, esta transformacin modificara implcitamente
las propiedades del modelo, de tal manera que las perturbaciones del modelo
transformado utilizando ratios ya no seran perturbaciones homoscedsticas, sino
heteroscedsticas.
1 u u n3
i
(6-29)
3
u n
2
i
u u n
4
i
(6-30)
u n
2 2
i
13
Con la indicacin de n , se quiere sealar que es un contraste asinttico, es
decir, que tiene validez cuando la muestra sea suficientemente grande.
EJEMPLO 6.4 Es aceptable la hiptesis de normalidad en el modelo para analizar la eficiencia de la
Bolsa de Madrid?
En el ejemplo 4.5, utilizando el fichero bolmadef, se analiz la eficiencia del mercado de la
Bolsa de Madrid en 1992, mediante un modelo que relaciona la tasa de rendimiento de un da sobre la
tasa de rendimiento del da precedente. Ahora, vamos a realizar contrastes de normalidad sobre las
perturbaciones de este modelo. Dada la poca proporcin de varianza explicada con este modelo (vase
ejemplo 4.5), el contraste de normalidad de las perturbaciones es prcticamente equivalente a contrastar la
normalidad de la variable endgena.
En el cuadro 6.4 se muestran los coeficientes de asimetra, curtosis y el estadstico de Bera y
Jarque, aplicado a los residuos del modelo estimado. El coeficiente de asimetra (-0.04) no est muy
alejado del valor 0 correspondiente a una distribucin N(0,1). Por otra parte, el coeficiente de curtosis
(4.43) es algo diferente del valor 3 que toma en la distribucin normal. En este caso, se rechaza el
supuesto de normalidad para los niveles usuales de significacin, ya que el estadstico de Bera y Jarque
toma el valor de 21.02, que es ms grande que c2
2(0.01)
=9.21.
El hecho de que se rechace con tanta contundencia el supuesto de normalidad puede parecer
paradjico, ya que los valores de curtosis y, especialmente, de asimetra no difieren de forma sustancial
de los valores que toman estos coeficientes en una distribucin normal. Sin embargo, las discrepancias
son suficientemente significativas porque estn avaladas por un tamao de muestra elevado (247
observaciones). Si n (el tamao de la muestra) hubiera sido de 60 en lugar de 247, el estadstico BJ,
calculado segn (6-31) y utilizando los mismos coeficientes de asimetra y curtosis, toma el valor de
5.1068, que es ms pequeo que c2
2(0.01)
=9.21. Dicho de otra forma, con los mismos coeficientes, pero
con una muestra menor, no proporcionan suficientes evidencias empricas para rechazar la hiptesis nula
de normalidad. Obsrvese que esto se debe a que el estadstico BJ crece proporcionalmente con el tamao
de la muestra, pero los grados de libertad (2) permanecen inalterables.
6.5 Heteroscedasticidad
El supuesto de homoscedasticidad (supuesto 7 del MLC) postula que las
perturbaciones tienen una varianza constante, es decir,
var (ui ) 2 i 1, 2, n (6-33)
Suponiendo que solo hay una variable independiente, el supuesto de
homoscedasticidad significa que la variabilidad en torno a la lnea de regresin es la
misma a lo largo de toda la muestra de las x; es decir, que no aumenta o disminuye
cuando x vara, como puede verse en la figura 2.7, parte a) del captulo 2. En la figura
6.1 se ha representado el diagrama de dispersin correspondiente a un modelo en que
las perturbaciones son homoscedsticas. Si el supuesto de homoscedasticidad no se
cumple se dice que existe heteroscedasticidad, o que las perturbaciones son
heteroscedsticas. En la figura 2.7, parte b) se represent un modelo con perturbaciones
heteroscedsticas en el que la dispersin aumentaba al incrementarse el valor de x. En la
figura 6.2 se ha representado el diagrama de dispersin correspondiente a un modelo en
el que la dispersin de las perturbaciones crece al crecer x.
14
y y
x x
FIGURA 6.1. Diagrama de dispersin FIGURA 6.2. Diagrama de dispersin
correspondiente a un modelo con correspondiente a un modelo con
perturbaciones homoscedsticas. perturbaciones heteroscedsticas.
15
en lugar de ui. Suponiendo que ui cumple el supuesto de homoscedasticidad, las
perturbaciones del modelo transformado (ui/Xji) ya no sern homoscedsticas sino
heteroscedsticas.
16
(6-36), en la regresin auxiliar hay m regresores sin incluir el trmino
independiente.
Paso 3. Designando por Rra2 al coeficiente de determinacin de la regresin
auxiliar, se calcula el estadstico nRra2 .
Bajo la hiptesis nula, este estadstico (BPG) tiene la siguiente
distribucin:
BPG= nRra2
n
m2 (6-37)
Si BP m2( ) no se rechaza la H0
En este contraste valores elevados del estadstico corresponden a una
situacin de heteroscedasticidad, es decir, al rechazo de la hiptesis nula.
EJEMPLO 6.5 Aplicacin del contraste de Breusch-Pagan-Godfrey
Aplicamos a continuacin este contraste a una submuestra de 10 observaciones, que se han
utilizado para estimar los gastos en hostelera (hostel) en funcin de la renta disponible (renta). Los datos
aparecen en el cuadro 6.5.
CUADRO 6.5. Datos de hostel y renta.
i hostel renta
1 17 500
2 24 700
3 7 250
4 17 430
5 31 810
6 3 200
7 8 300
8 42 760
9 30 650
10 9 320
Paso 1. Se aplican MCO al modelo
hostel b1 + b 2 renta + u
y, utilizando los datos del cuadro 6.5, se obtiene el siguiente modelo estimado:
= -7.427+ 0.0533 renta
hostel i i
(3.48) (0.0065)
ui -2.226 -5.888 1.100 1.505 -4.751 -0.234 -0.565 8.913 2.777 -0.631
17
BPG=nR2 =10(0.56)=5.05.
Paso 4. Dado que 1
2(0.01)
=3.84, se rechaza la hiptesis nula de homoscedasticidad para un nivel
del 5%, ya que BPG>3.84, pero no para el nivel de significacin del 1%.
Tenga en cuenta que la validez de este contraste es asinttica. Sin embargo, la muestra utilizada
en este ejemplo es muy pequea.
Contraste de White
En el contraste de White no se especifican las variables que determinan la
heteroscedasticidad. Este es un contraste no constructivo ya que no da ningn tipo de
indicacin del esquema de heteroscedasticidad cuando la hiptesis nula es rechazada
El contraste de White est basado en el hecho de que los errores estndar son
vlidos asintticamente si se sustituye el supuesto de homoscedasticidad por el supuesto
ms dbil de que la perturbacin al cuadrado, u2, est incorrelacionada con todos los
regresores, sus cuadrados y los productos mixtos entre ellos. Teniendo en cuenta este
hecho, White propuso hacer la regresin auxiliar de ui2 , puesto que es ui2 desconocido,
con respecto a todos los factores que se acaban de mencionar. Si los coeficientes de la
regresin auxiliar son conjuntamente no significativos, entonces podemos admitir que
las perturbaciones son homoscedsticas. De acuerdo con el supuesto adoptado, el
contraste de White es asinttico.
La aplicacin del contraste de White puede plantear problemas en modelos con
muchos regresores. Por ejemplo, si el modelo original tiene 5 variables independientes,
la regresin auxiliar de White tiene 16 regresores (a menos que algunos sean
redundantes), lo que implica que le regresin se realiza con una prdida de 16 grados de
libertad. Por esta razn, cuando el modelo tiene muchos regresores se aplica a menudo
una versin simplificada del contraste de White. En esta versin simplificada se omiten
los productos cruzados de la regresin auxiliar.
Los pasos que se requieren en este contraste son los siguientes:
Paso 1. Se estima el modelo original y se calculan los residuos mnimo-
cuadrticos.
Paso 2. Se realiza la siguiente regresin auxiliar, tomando como regresando al
cuadrado de los residuos obtenidos en la estimacin del modelo original:
ui2 1 2 2i 3 3i m mi i (6-38)
18
Paso 3 Designando por Rra2 al coeficiente de determinacin de la regresin
auxiliar, se calcula el estadstico nRra2 .
Bajo la hiptesis nula, este estadstico (W) tiene la siguiente distribucin:
W= nRra2
n
m2 (6-39)
19
400
300
250
200
150
100
50
0
0 50 100 150 200 250 300 350 400 450 500 550 600 650
valcon
GRFICO 6.1. Diagrama de dispersin entre los residuos en valor absoluto y la variable
bookval en el modelo lineal.
El estadstico de Breusch-Pagan-Godfrey toma el siguiente valor:
BPG= nRra = 200.5220=10.44
2
1,0
Residuos (valores absolutos)
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0
ln(valcon)
GRFICO 6.2. Diagrama de dispersin entre los residuos en valor absoluto y la variable
ln(bookval) en el modelo doblemente logartmico
Los resultados de los dos contrastes de heteroscedasticidad aplicados se presentan en el cuadro
6.7.
20
CUADRO 6. 7. Contrastes de heteroscedasticidad en el modelo doblemente logartmico para explicar
el valor de mercado de los bancos espaoles.
Contraste Estadstico Valores tablas
Breusch-Pagan BP= nRra =1.05
2
22(0.10) =4.61
White W= nRra =2.64
2
22(0.10) =4.61
Como puede verse, ambos contrastes son concluyentes en que no se puede rechazar la hiptesis
nula de homoscedasticidad frente a la hiptesis alternativa de que la varianza de las perturbaciones est
asociada a la variable explicativa del modelo.
Una conclusin importante de este caso es la siguiente. Cuando en la estimacin de un modelo
economtrico con datos de corte transversal hay unidades de muy distinto tamao, los problemas de
escala pueden provocar heteroscedasticidad en las perturbaciones. Estos problemas pueden resolverse en
muchas ocasiones utilizando modelos logartmicos.
EJEMPLO 6.8 Existe heteroscedasticidad en la demanda de servicios de hostelera?
En general, en la demanda de bienes alimenticios no suele aparecer heteroscedasticidad en las
perturbaciones. En cambio, en la demanda de bienes de lujo la heteroscedasticidad suele ser mucho ms
frecuente, debido a que en la demanda de estos bienes puede haber una disparidad muy grande en el
comportamiento de los hogares con rentas elevadas, frente a los hogares con rentas bajas en los que es
muy improbable que exista tal disparidad dado lo reducido de la renta.
A la vista de las consideraciones anteriores, vamos a estimar un modelo en el que se explica el
logaritmo del gasto en servicios de hostelera -ln(hostel)- en funcin del logaritmo de la renta disponible -
ln(inc)- y de otras variables demogrficas y sociales.
La especificacin utilizada para la estimacin de la demanda de los servicios de hostelera es la
siguiente:
ln (hostel ) b1 + b2ln(inc) + b3 secstud + b4terstud + b5 hhsize + u (6-40)
donde inc es la renta disponible del hogar, hhsize es el nmero de miembros del hogar, y secstud y terstud
son dos variables ficticia que el valor 1 si han completado estudios secundarios y terciarios
respectivamente.
Los resultados de la regresin obtenidos son los siguientes (fichero hostel):
ln( hostel ) -16.37+ 2.732 ln(inc) + 1.398 secstud +2.972 terstud - 0.444 hhsize
i i i i i
(2.26) (0.324) (0.258) (0.333) (0.088)
A la vista de estos resultados, puede afirmarse que los servicios de hostelera son un bien de lujo,
ya que la elasticidad demanda/renta para este bien es muy elevada (2.73). Esto quiere decir que si la renta
se incrementa en un 1%, el gasto en servicios de hostelera aumentar, en promedio, en un 2.73%. Como
puede verse las familias en las que el sustentador principal tiene estudios medios (secstud) o, en mayor
medida, estudios superiores (terstud), realizan un mayor gasto en servicios de hostelera que cuando el
sustentador principal solamente tiene estudios primarios. Por el contrario, este gasto disminuye al
aumentar el tamao del hogar (hhsize).
En el grfico 6.3 se ha representado el grfico de dispersin entre los residuos en valor absoluto
y la variable ln(inc), ya que en los modelos de demanda, en los que aparece la renta (o una transformacin
de la misma) como variable explicativa, es esta variable la principal candidata, por no decir la nica, para
explicar la hipottica heteroscedasticidad en las perturbaciones. Como puede verse en el grfico, la
dispersin de los residuos es ms reducida para las rentas bajas, que en las rentas medias o altas.
Vamos a aplicar a continuacin los dos contrastes de heteroscedasticidad que se han expuesto en
este apartado.
21
1,6
1,2
1,0
0,8
0,6
0,4
0,2
0,0
6,4 6,6 6,8 7,0 7,2 7,4 7,6 7,8 8,0
ln(rdisp)
GRFICO 6.3. Diagrama de dispersin entre los residuos en valor absoluto y la variable
ln(inc) en la estimacin del modelo de hostelera.
Los resultados de los dos contrastes de heteroscedasticidad examinados se presentan en el cuadro
6.8.
CUADRO 6. 8. Contrastes de heteroscedasticidad en el modelo de demanda de
servicios de hostelera.
Contraste Estadstico Valores tablas
Breusch-Pagan BP= nRra =7.83
2
22(0.05) =5.99
White W= nRra2 =12.24 22(0.01) =9.21
22
EJEMPLO 6.9 Errores estndar consistentes en la determinacin del valor de las acciones de los bancos
espaoles (Continuacin ejemplo 6.7)
En la siguiente ecuacin estimada del modelo lineal las desviaciones tpicas de los estimadores
son calculadas por el procedimiento de White y, por tanto, son consistentes bajo el supuesto de
heteroscedasticidad:
29.42+ 1.219 bookval
marktval
(18.67) (0.249)
Como puede comprobarse, el error estndar del coeficiente de bookval pasa de 0.127 aplicando
el procedimiento usual a 0.249 en el procedimiento de White. De todas formas, el nivel de significacin
crtico sigue siendo muy bajo, ya que su valor se sita en 0.0001. En consecuencia, se sigue manteniendo
la significatividad de la variable bookval para todos los niveles usuales. Por el contrario, el trmino
independiente, que no tiene especial relevancia en el modelo, tiene ahora una error estndar (18.67), que
es inferior al obtenido con el procedimiento usual (30.85).
Si aplicamos el procedimiento de White al modelo doblemente logartmico se obtienen los
siguientes resultados:
ln( marktval ) 0.676+ 0.9384 ln(bookval )
(0.3218) (0.0698)
En este caso, el error estndar del coeficiente ln(bookval) es prcticamente el mismo en los dos
procedimientos.
De los anteriores resultados pueden obtenerse las siguientes conclusiones. En la determinacin
del valor de las acciones de los bancos espaoles, las perturbaciones del modelo lineal son fuertemente
heteroscedsticas. Por ello, al realizar una estimacin consistente, la desviacin tpica casi se duplica con
respecto al procedimiento usual. Por el contrario, en el modelo doblemente logartmico, que no est
afectado por la heteroscedasticidad, apenas hay diferencias entre los errores estndar que se obtienen por
ambos procedimientos.
Puede verse fcilmente que las perturbaciones del modelo anterior, (ui/f(xji)), son
homoscedsticas. Por ello, en la segunda etapa se aplican MCO al modelo transformado,
ya que se obtendrn estimadores ELIO. Dado que, al dividir por f(xji), se est
ponderando cada observacin por el inverso del valor que toma esta funcin, al
procedimiento anterior se le denomina frecuentemente mnimos cuadrados ponderados
(MCP). En este caso, el factor de ponderacin es 1/f(xji).
Si no se conoce la funcin f(xji), es necesario proceder a su estimacin. En ese
caso, el mtodo de estimacin no ser exactamente MCG, ya que la aplicacin de este
mtodo implica el conocimiento de la matriz de covarianzas, o al menos el
23
conocimiento de una matriz que sea proporcional a sta. Cuando se estima la matriz de
covarianzas, adems de los parmetros, se dice que se aplican MCG factibles. En el caso
de perturbaciones heteroscedsticas, a la particularizacin del mtodo de MCG factibles,
se le denomina MCP en dos etapas. En la primera etapa se estima la funcin f(xji),
mientras que en la segunda etapa se aplica MCO al modelo transformado utilizando las
estimaciones de f(xji).
Para ver como se puede aplicar el mtodo de MCP en dos etapas, vamos a partir
de la siguiente relacin, que simplemente define la varianza de las perturbaciones, en el
caso de heteroscedasticidad,
E ui2 i2 (6-43)
24
yi 1 x x x u
1 2 2i 3 3i k ki + i (6-48)
x ji x ji x ji x ji x ji x ji
ui -0.4198+ 0.0235 inc R 2 0.1733
(-1.34) (2.82)
1
ui 0.8857- 532.1 R 2 0.1780
(5.39) (-2.87) inc
ui -2.7033+ 0.4389ln(inc) R 2 0.1788
(-2.46) (2.88)
R2=0.914 n=40
Comparando con la estimacin por MCO, hecha en el ejemplo 6.5, puede verse que las
diferencias son muy pequeas, lo que es indicativo de la robustez del modelo.
6.6 Autocorrelacin
El supuesto de no autocorrelacin, o de no correlacin serial, (supuesto 8 del
MLC) postula que las perturbaciones con diferentes subndices no estn correlacionadas
entre s:
E (u i u j ) 0 i j (6-49)
25
est unida por una lnea a la perturbacin del perodo siguiente: en total esta lnea cruza
la lnea 0 en 13 ocasiones.
3
u
00 tiempo
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
-1
-2
-3
3
2
2
1
1
00 tiempo 00 tiempo
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 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
-1
-1
-2
-2
-3
-3
-4
-4 -5
26
En vez de este modelo se ajusta el siguiente:
salario 1 2exp v
En el segundo modelo de la perturbacin tiene un componente sistemtico
( v 3exp 2 u ). En la figura 6.5 se ha representado un diagrama de dispersin
(generado por el primer modelo) y la funcin ajustada del segundo modelo. Como
puede verse, para valores de exp bajos se sobrestiman los salarios; para valores
intermedios de exp se subestiman los salarios; por ltimo, para valores elevados de exp
el modelo ajustado sobrestima de nuevo a los salarios. Este ejemplo ilustra un caso en el
que el uso de una forma funcional incorrecta provoca autocorrelacin positiva.
Por otra parte, la omisin de una variable relevante en el modelo podra inducir
autocorrelacin positiva si esa variable tiene, por ejemplo, un comportamiento cclico.
y
27
Dconst b2Dinct +Dut (6-52)
donde Dconst const - const-1 , Dinct inct - inct-1 y vt Dut ut - ut-1 .
A la ecuacin (6-50) se le conoce como ecuacin en forma de niveles, mientras
que a la ecuacin (6-52) se le conoce como ecuacin en forma de primeras diferencias.
En el anlisis emprico se utilizan ambas especificaciones. Si la perturbacin no est
autocorrelacionada en (6-50), la perturbacin en (6-52), que es igual a vt ut - ut-1 , s
que lo estar, ya que vt y vt-1 tienen un elemento en comn (ut-1). En cualquier caso,
conviene advertir que el modelo (6-52) tal como est especificado puede plantear otros
problemas economtricos que no sern examinados aqu.
28
se postularon para ui en los supuestos del MLC. A la variable que goza de estas
propiedades se le suele denominar variable ruido blanco.
Segn que el valor de sea positivo o negativo la autocorrelacin ser positiva o
negativa. La autocorrelacin positiva es, con mucha diferencia, la que se presenta con
mucha ms frecuencia en la prctica. Por otra parte, casi siempre se realizan contrastes
de una sola cola, es decir, se toma como hiptesis alternativa o la autocorrelacin
positiva o la autocorrelacin negativa.
La construccin de un contraste de autocorrelacin de las perturbaciones
presenta el problema de que stas no son observables, por lo que el contraste se tiene
que basar en los residuos obtenidos por MCO. Esta circunstancia plantea problemas, ya
que, bajo la hiptesis nula de que las perturbaciones no estn autocorrelacionadas, los
residuos en cambio s lo estn. Durbin y Watson, en la construccin de su contraste, s
tuvieron en cuenta esa circunstancia.
Veamos ahora como se aplica este contraste. Tomando como referencia el
esquema definido en (6-53), Durbin y Watson formulan las siguientes hiptesis nula y
alternativa de autocorrelacin positiva
H0
(6-54)
H1
As pues, bajo la hiptesis nula se verifica que ut=t, es decir, el modelo cumple
los supuestos del MLC.
El estadstico que utilizan Durbin y Watson para el contraste de las hiptesis
(6-54) es el estadstico d, o DW, definido de la siguiente forma:
n
u t ut 1
d DW t 2
n
(6-55)
u
t
2
t
29
Para aplicar el contraste de autocorrelacin negativa se tiene en cuenta que el
estadstico d tiene una distribucin simtrica con un recorrido entre 0 y 4. Las reglas,
por lo tanto, son las siguientes:
Si d 4 d L , existe autocorrelacin negativa.
Si 4 dU d 4 d L , no es concluyente el contraste. (6-58)
Si d 4 dU , no existe autocorrelacin negativa.
El contraste de Durbin y Watson no es aplicable cuando entre los regresores
haya variables endgenas desfasadas.
Para su aplicacin a datos trimestrales, Wallis consider el siguiente esquema
autorregresivo de cuarto orden:
ut 4ut 4 i 4 1 t NID(0, 2 ) (6-59)
-1
-2
-3
-4
GRFICO 6.4. Residuos estandarizados en la estimacin del modelo para determinar la
eficiencia de la Bolsa de Madrid
30
EJEMPLO 6.12 Autocorrelacin en el modelo sobre la demanda de pescado
En el ejemplo 4.9 se estim el modelo (4-44), utilizando el fichero fishdem, para explicar la
demanda de pescado en Espaa. En el grfico 6.5 se muestran los residuos estandarizados
correspondientes a la estimacin de este modelo. Del examen del grfico no se desprende que exista un
esquema de autocorrelacin apreciable. En este sentido, conviene sealar que, sobre un total de 28
observaciones, la lnea que une los puntos de los residuos cruza el eje 0 en 11 ocasiones, lo que es indicio
de una cierta aleatoriedad de la distribucin de los residuos.
El valor del estadstico DW, para el contraste del esquema (6-53), es 1.202. Para n=28 y k'=3, y
para un nivel de significacin del 1%, se obtienen los siguientes valores en la tabla tabulada por Durbin y
Watson:
dL=0.969 ; dU=1.415
Dado que dL<1.202<dU, no hay evidencias suficientes ni para aceptar la hiptesis nula, ni para
rechazarla.
3
-1
-2
2 4 6 8 10 12 14 16 18 20 22 24 26 28
Contraste h de Durbin
Durbin propuso en 1970 un estadstico, al que denomin h, para contrastar las
hiptesis (6-54) en el caso de que haya una o ms variables endgenas desfasadas, que
aparezcan como variables explicativas del modelo. La expresin del estadstico h es la
siguiente:
n
h r (6-60)
1- n var b j ( )
donde r es el coeficiente de correlacin entre ui y ui 1 , n es el tamao de la muestra, y
b
var ( j ) es la varianza correspondiente al coeficiente de la variable endgena
desfasada.
El estadstico r puede estimarse utilizando la siguiente aproximacin:
DW d 2(1- r ) . En el caso de que aparezcan como regresores la variable endgena
con distintos desfases se seleccionar la varianza correspondiente al coeficiente de la
variable endgena con menor desfase.
Bajo los supuestos (6-54), el estadstico h tiene la distribucin:
h
n
N (0,1) (6-61)
Dado este valor de h, se rechaza la hiptesis nula de no autocorrelacin, ya que la hiptesis nula
se rechaza para =0.01 e, incluso, para =0.001, de acuerdo a la tabla de la normal.
5,0
4,0
3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0
-4,0
-5,0
8 13 18 23 28 33 38 43 48 53 58
GRFICO 6.6. Residuos estandarizados en la estimacin del modelo del caso Lydia E.
Pinkham
Este es simplemente una extensin del esquema AR(1) del contraste de Durbin y
Watson.
Las hiptesis nula y alternativa a contrastar son:
32
H 0 1 2 p 0
H1 H 0 no es cierto
El contraste BG implica los siguientes pasos:
Paso 1. Se estima el modelo original y se calculan los residuos por MCO ( ui ).
Paso 2. Se estima la regresin auxiliar en la que se toma como regresando a los
residuos ( ui ) y como regresores a los regresores del modelo original y
los residuos retardados 1, 2, .. y p periodos:
ut 1 2 x2t k xkt 1ut 1 1ut p i (6-63)
Si BG k2(p) No se rechaza H0
R =0.531
2
DW=2.055 n=49
donde gdp es el producto interior bruto.
33
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
5 10 15 20 25 30 35 40 45
GRFICO 6.7. Residuos estandarizados en el modelo para explicar los gastos de los residentes en el
extranjero.
El grfico 6.7 muestra los residuos estandarizados correspondientes a este modelo. Como puede
verse, parece que los residuos no estn distribuidos de forma aleatoria, porque por ejemplo, se observan
picos cada 4 trimestres, lo que es un indicativo de que la autocorrelacin sigue un esquema AR(4).
El estadstico BG, calculado para un esquema AR(4), es igual a nRar2 =36.35. Dado este valor de
BG, se rechaza la hiptesis de no autocorrelacin para =0.01, ya que 52( ) =15.09. En la regresin
auxiliar, en la que se han utilizado como regresores ut 1, ut 2 , ut 3 y ut 4 , el nico que ha resultado
significativo ha sido ut 4 .
34
CUADRO 6.9. Estadsticos t, convencional y HAC, en el caso de Lydia E. Pinkham.
regresor t convencional t HAC ratio
intercept 2.644007 1.779151 1.49
advexp 3.928965 5.723763 0.69
sales(-1) 7.45915 6.9457 1.07
d1 -1.499025 -1.502571 1.00
d2 3.225871 2.274312 1.42
d3 -3.019932 -2.658912 1.14
yt 1 2 1 1 2 2 1 2 x2 t k 1 2 xkt + t (6-68)
Ejercicios
Ejercicio 6.1 Consideremos el siguiente modelo poblacional:
yi 1 2 xi +ui (1)
En su lugar, se estim el siguiente modelo estimado:
y x i 2 2i (2)
Es 2 , obtenido al aplicar MCO a (2), un estimador insesgado de 2 ?
36
Ejercicio 6.4 Considere el siguiente modelo de demanda de alimentos
alim 1 2 pr 3renta u
donde alim es el gasto en alimentos, pr son los precios relativos y renta es la renta
disponible.
El investigador A omite por olvido la variable renta, obteniendo la siguiente
estimacin del modelo:
= 89.97+ 0.107 pr
alim i i
(11.85) (0.118)
R2 = 0.999; F=3422
Los valores entre parntesis son los errores estndar de los estimadores y el
estadstico F corresponde al contraste global del modelo.
Cuando se da cuenta del error cometido, estima el modelo con todas las
observaciones (n=9), obteniendo en este caso los siguientes resultados:
= 75.479-1.970 labor +1.272 capital
output i i i
(32.046) (1.742) (0.376)
R2 = 0.824 F= 14.056
Su desconcierto es grande al comparar ambas estimaciones, y no puede
comprender cmo, por utilizar una sola observacin ms, los resultados obtenidos
37
llegan a ser tan diferentes. Puede encontrar alguna explicacin que pueda justificar
estas diferencias?
Ejercicio 6.6 Supongamos que en el modelo
y 0 1 x1 2 x2 +u
el R cuadrado obtenido en la regresin de x1 sobre x2, al que denominaremos R1/2 2 , es
cero.
Por otra parte, si estima los siguientes modelos:
y 0 1 x1 +u
y 0 1 x2 +u
a) Ser l1 igual a b1 y g1 igual a b 2 ?
b) Ser b0 igual a l0 o b0 igual a g 0 ?
c) Ser var( l1 ) igual a var( b1 ) y var( g1 ) igual a var( b 2 )?
Ejercicio 6.7 Un analista desea estimar el siguiente modelo utilizando las observaciones
del cuadro adjunto:
yi e1 x2i2 x3i3 x4i4 eui
x2 x3 x4
3 12 4
2 10 5
4 4 1
3 9 3
2 6 3
5 5 1
Qu problemas se pueden presentar en la estimacin de este modelo con estos
datos?
Ejercicio 6.8 En el ejercicio 4.8, utilizando el fichero airqualy, se estim el siguiente
modelo:
97.35 0.0956 popln 0.0170 medincm 0.0254 poverty
airqual i i i i
(10.19) (0.0311) (0.0055) (0.0089)
38
a) Utilizando una muestra de 447 observaciones del fichero ceoforbes,
estime el modelo por MCO.
b) Aplique el contraste de normalidad a los residuos.
c) Utilizando las 60 primeras observaciones, estime el modelo por MCO.
Compare los coeficientes y el R2 de esta estimacin con los obtenidos en
el apartado a). Cul es su conclusin?
d) Aplique el contraste de normalidad a los residuos obtenidos en el
apartado c). Cul es su conclusin al comparar este resultado con el
obtenido en el apartado b)?
Ejercicio 6.10 Sea el modelo
yi 1 2 xi ui [1]
siendo
i2 2 xi , xi 0, i
a) Aplquense MCG al modelo [1] para estimar i.
b) Calcule la varianza del estimador por MCG:
Ejercicio 6.11 Sea el modelo
yi xi ui [1]
donde
i2 2 xi , xi 0, i
a) Estime del modelo [1] por mnimos cuadrados generalizados.
b) Calcule la varianza del estimador obtenido.
Ejercicio 6.12 Sea el modelo
yi 1 2 xi ui [1]
donde la varianza de las perturbaciones es igual a
i2 2 xi , xi 0, i
1) Aplicando MCO al modelo [1] y teniendo en cuenta los supuestos Gauss-
Markov, la varianza del estimador, de acuerdo con (2-16) es
2
(x x )
i
2
[2]
2) Aplicando MCO al modelo [1] y teniendo en cuenta que xi y los
i
2 2
39
a) Son correctas las varianzas [2] y [3]?
b) Demuestre que [4] es menor o igual que [3]. (Sugerencia: Aplique la
desigualdad Cauchy-Schwarz que dice que wi zi wi2 zi2 es
2
verdad)
Ejercicio 6.13 Sea el modelo
hostel 1 2 renta u
donde hostel es el gasto en hostelera y renta es la renta anual disponible
Se dispone de la siguiente informacin sobre 9:
familia hostel renta
1 13 300
2 3 200
3 38 700
4 47 900
5 14 400
6 18 500
7 25 800
8 1 100
9 21 600
Las variables hostel y renta estn expresadas en miles de pesetas.
a) Estime el modelo por MCO.
b) Aplique el contraste de heteroscedasticidad de White.
c) Aplique el contraste de heteroscedasticidad de Breusch-Pagan-Godfrey.
d) Le aparece adecuado utilizar los anteriores contrastes de
heteroscedasticidad en este caso?
Ejercicio 6.14 Con referencia al modelo del ejercicio 4.5, se supone ahora que
var( i ) 2 ln( yi )
a) Son, en este caso, insesgados los estimadores obtenidos por MCO?
b) Son eficientes los estimadores MCO?
c) Podra sugerir un estimador mejor que MCO?
Ejercicio 6.15 Indique cules de las siguientes afirmaciones son verdad, justificando las
respuestas, cuando existe heteroscedasticidad:
a) Los estimadores MCO dejan de ser estimadores ELIO.
b) Los estimadores MCO , , , , son inconsistentes.
1 2 3 k
40
(
ut2 ) = 141568 + 89.71incpct - 149.2conspct -1
- 0.183incpct2 - 0.221conspct2-1 + 0.406incpct conspct -1
R2=0.285
a) Existe heteroscedasticidad en esta funcin de consumo?
b) Se obtuvo la siguiente estimacin, con errores estndar consistentes para
heteroscedasticidad de White:
incpc conspc
conspc t t t 1
(66.92) (0.0669) (0.0741)
41
Ejercicio 6.20 Utilizando una muestra correspondiente a 17 regiones se han obtenido
las siguientes estimaciones:
yi 309.8 0.76 zi 3.05hi R 2 0.989
u2 1737.2 17.8 zi 0.09 zi2 0.65 zi hi 10.6hi 0.31hi2 R 2 0.705
donde y es el gasto en educacin, z es el PIB y h es el nmero de habitantes.
a) Existe un problema de heteroscedasticidad? Detalle el procedimiento de
contraste.
b) Suponiendo que se detectara la presencia de heteroscedasticidad en el
modelo de regresin, qu solucin adoptara para analizar la
significatividad de las variables explicativas del modelo? Razone la
respuesta.
Ejercicio 6.21 Utilizando datos de la economa espaola para el periodo 1971-1997
(archivo importsp), se estim el siguiente modelo para explicar las importaciones (imp):
ln( imp ) 26.58 2.4336ln( gdp ) 0.4494ln(rpimp )
t t t
(3.65) (0.210) (0.0232)
R2=0.997 n=27
donde gdp es el producto interior bruto a precios de mercado, y rpimp son los precios
relativos importaciones/pib. Las variables imp y gdp estn expresadas en millones de
pesetas
a) Formule y estime la regresin auxiliar para realizar el contraste de
heteroscedasticidad de Breusch-Pagan-Godfrey.
b) Aplique el contraste de heteroscedasticidad de Breusch-Pagan-Godfrey
utilizando la regresin formulada en la seccin a).
c) Formule y estime la regresin auxiliar para realizar el contraste completo
de White de heteroscedasticidad.
d) Aplique el contraste de heteroscedasticidad completo de White utilizando
la regresin formulada en la seccin c).
e) Formule y estime la regresin auxiliar para realizar el contraste
simplificado de heteroscedasticidad de White.
f) Aplique el contraste de heteroscedasticidad simplificado de White
utilizando la regresin formulada en la seccin e).
g) Compare los resultados de los contrastes realizados en las secciones b), d)
y f).
Ejercicio 6.22 Utilizando datos del archivo tradocde, se estim el siguiente modelo
para explicar las importaciones (impor) en los pases de la OCDE:
ln(impor ) 18.01 1.6425ln( gdp ) 0.5151ln( popul )
i i i
(6.67) (0.658) (0.636)
R2=0.614 n=34
donde gdp es el producto interior bruto a precios de mercado, y popul es la poblacin de
cada pas.
a) Cul es la interpretacin del coeficiente de (gdp)?
b) Formule y estime la regresin auxiliar para realizar el contraste de White
de heteroscedasticidad.
c) Aplique el contraste de heteroscedasticidad de White utilizando la
regresin formulada en la seccin b).
42
d) Contraste si la elasticidad import/gdp es ms grande que 1. Para realizar
este contraste, necesita utilizar los errores estndar consistentes para la
heteroscedasticidad de White?
Ejercicio 6.23 Explique detalladamente cul sera el contraste de autocorrelacin
apropiado en cada situacin:
a) Cuando el modelo no tiene variables endgenas retardadas y las
observaciones son anuales.
b) Cuando el modelo tiene variables endgenas retardadas y las
observaciones son anuales.
c) Cuando el modelo no tiene variables endgenas retardadas y las
observaciones son trimestrales.
Ejercicio 6.24 Se han estimado dos modelos alternativos del coste medio de produccin
anual de automviles de una determinada marca en el periodo 1980-1999.
c pu R 2 0.848; R 2 0.812; d DW 0.51
c p p2 u R 2 0.852; R 2 0.811; d DW 2.11
a) Al comparar ambas estimaciones, indique si observa algn problema
economtrico. Explquelo.
b) En funcin de su respuesta al apartado anterior, Cul de los dos modelos
elegira?
Ejercicio 6.25 En el periodo 1950-1980 se ha estimado la siguiente funcin de
produccin
ln(ot ) 3.94 1.45 ln(lt ) 0.38 ln(kt )
(0.24) (0.083) (0.048)
R 2 = 0.999 DW = 0.52
43
donde v es el gasto en vivienda, r es la renta disponible, p es el precio de la vivienda.
(Los nmeros entre parntesis son las desviaciones estndar de los estimadores).
a) Contraste detalladamente la existencia de autocorrelacin.
b) Teniendo en cuenta las conclusiones obtenidas en al apartado a), como
realizara los contrastes de significatividad de cada uno de los
coeficientes. Razone la respuesta.
Ejercicio 6.28 Conteste a las siguientes preguntas:
a) En un modelo para explicar las ventas se realiza la estimacin utilizando
datos trimestrales. Explique cmo puede contrastar si existe
autocorrelacin.
c) Describa detalladamente, introduciendo los supuestos que considere
oportunos, cmo estimara el modelo cuando se rechaza la hiptesis nula
de no autocorrelacin.
Ejercicio 6.29 En la estimacin de la funcin de consumo keynesiana de la economa
francesa se han obtenido los siguientes resultados:
= -485.22+ 0.913 renta
consumo t t
(-0.73) (79.39)
44
a) Estime el modelo [1] por MCO y calcule el correspondiente coeficiente
de determinacin corregido.
b) Calcule el estadstico de Durbin-Watson correspondiente a la estimacin
realizada en a).
c) A la vista del contraste de Durbin y Watson y de la representacin de la
recta ajustada y de los residuos, es conveniente reformular el modelo
[1]? Justifique la respuesta y, en caso de que sta sea afirmativa, estime
el modelo alternativo que se considere ms adecuado a los datos.
Ejercicio 6.32 En el siguiente modelo:
yt 1 2 xt ut
ut = rut -1 + et ; et NI (0, s 2 )
La siguiente informacin adicional est tambin disponible:
0.5
yi 22 26 32 31 40 46 46 50
xi 4 6 10 12 13 16 20 22
R 2 0.9687 DW=3.4 n 15
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
Adems, se dispone de la siguiente informacin adicional sobre las regresiones
de los errores, en valor absoluto:
1. ut 0.167 0.127 xt
(0.210) (0.180)
R 2 = 0.997 DW=0.73 n = 27
donde gdp es el producto interior bruto a precios de mercado, y rpimp son los precios
relativos importaciones/pib. Ambas magnitudes est expresadas en millones de pesetas.
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
45
a) Interprete el coeficiente de rpimp.
b) Hay autocorrelacin en este modelo?
c) Contraste si la elasticidad imp/gdp ms cuatro veces la elasticidad
imp/rpimp es igual a 0. (Informacin adicional: var( 2 ) =0.044247;
var( ) =0.000540; y var( , ) =0.004464).
3 2 3
d) Contraste la significacin global.
Ejercicio 6.35 Utilizando una muestra para el periodo 1954-2009 (archivo electsp), se
estim el siguiente modelo para explicar el consumo de electricidad en Espaa
(conselec):
ln( conselec ) = - 9.98+ 1.469 ln( gdp )
t t
(0.46) (0.035)
Apndice 6.1
En primer lugar vamos a expresar el estimador 2 teniendo en cuenta que y ha
sido generada por el modelo (6-8):
n n
( x1i x2 )( yi y ) (x 1i x2 ) yi
2 i 1
n
i 1
n
(xi 1
1i x2 ) 2
(xi 1
1i x2 ) 2
n
(x
i 1
1i x2 ) 2
n n n
(x
i 1
1i x2 ) 2
(x
i 1
1i x2 ) 2
(x
i 1
1i x2 ) 2
n n
(x 1i x2 ) x2i (x 1i x2 )ui
2 3
i 1
n
i 1
n
(x
i 1
1i x2 ) 2
(x
i 1
1i x2 ) 2
(6-71)
Si tomamos esperanza en ambos miembros de (6-71), tenemos que
47
n n
( x1i x2 )
i 1
2
(x
i 1
1i x2 )2
n (6-72)
(x 1i x2 ) x2i
2 3
i 1
n
(x
i 1
1i x2 ) 2
48