Академический Документы
Профессиональный Документы
Культура Документы
Procedimientos de
Constrastación y Selección
de Modelos
1
TEMA 3: PROCEDIMIENTOS DE
CONTRASTACIÓN Y SELECCIÓN DE
MODELOS
3.1) Introducción a los Modelos con Restricciones.
Estimación Restringida.
3.2) Contrastes de Selección de Modelos
- Razón de Verosimiltud
- Test de Wald
- Multiplicadores de Lagrange
- Contraste de Nulidad de un Subconjunto de
Parámetros
3.3) Contraste de Chow de Cambio Estructural.
3.4) Contraste RESET de Ramsey
2
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
d
MODELO Y = X ⋅ β +U U → N (ϑ , σ u2 ⋅ I )
- ÓPTIMOS
MODELO BASADO EN LA
FUNCIÓN DE PRODUCCIÓN Yi = γ ·K iα ·Lβi ·U i ∀i = 1,..., n
COBB-DOUGLAS
en donde LINEALIZABLE
Y es el output
¿CÓMO?
K es el factor productivo capital
Considerando un Modelo
L es el factor productivo trabajo Doble-Log
γ , α y β Son los parámetros del modelo
4
U es la perturbación
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
Un Ejemplo:
MODELO NO-LINEAL
α β
Yi = γ ·K i ·Li ·U i
LINEALIZABLE
H0 :α + β = 1 β = 1−α
Y K MODELO
ln i = ln γ + α ·ln i + ln(U i ) RESTRINGIDO
Li Li Modelo que resulta de
aplicar la restricción
¿QUÉ OBSERVAMOS? β = 1−α
1 Hay un Menor Número de Parámetros a Estimar
RESPUESTA: SÍ
Dado el mismo número de
¿Por qué? observaciones n, en el modelo
restringido hay que estimar un menor
número de parámetros.
8
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
Un Ejemplo:
Yi Ki
ln = ln γ + α ·ln + ln(U i ) MÍNIMOS CUADRADOS RESTRINGIDOS
Li Li
K1
(
βˆ * = βˆMCR = X *' · X * )
−1
· X *' ·Y *
Y1 1 ln
ln
L ¿QUÉ VENTAJAS SE OBTIENE DE MCR?
L1 1
Y K2
1 ln Si la Hipótesis es cierta ….
ln 2
L2 L2 βˆ * = βˆMCR es un estimador Lineal
Y = .
*
X* = . .
Insesgado, Consistente, Óptimo y con
. . .
. . . una menor varianza que β̂ MCO aplicado
ln Yn K
1 ln n
L al modelo sin restricciones. 9
n L
n
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
Un Ejemplo:
1 Especificar el Contraste
H0 :α + β = 1
2 Definir el Estadístico
d
αˆ + βˆ − 1 αˆ + βˆ − 1
t= = → t n − K −1
Var (αˆ + β )
ˆ Var (αˆ ) + Var ( β ) − 2·Cov(αˆ , β )
ˆ ˆ
3 Regla de Decisión
Si t < t n − K −1 Aceptamos H 0 : α + β = 1 10
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
Un Ejemplo:
(
βˆ * = βˆMCR = X *' · X * )
−1
· X *' ·Y * 11
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
Un Ejemplo:
PROBLEMAS DE
SEGUIR ESTE SOLUCIÓN
PROCEDIMIENTO
12
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
R·β = r o R·β − r = 0
en donde
H 0 : R· β = r
(R·βˆ − r )'·[R·Vˆar (βˆ )·R '] ·(R ⋅ βˆ − r )
−1
d (Ver
F= →F q , n − K −1
demostración)
q
Otras formas equivalentes
(e ·e
*' *
− e'·e ) (βˆ *
) (
− βˆ '·X '·X · βˆ * − βˆ )
q o q
F= F=
e'·e e'·e
n − K −1 n − K −1
* *
donde e y β son los residuos y los coeficientes estimados de la regresión
18
restringida.
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
REGLA DE DECISIÓN
19
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.1) Introducción a los Modelos con Restricciones.
min SCE
{β }
ˆ
= e '·e = (Y − X ·βˆ )'·(Y − X ·βˆ )
(Ver
demostración)
S .a. : R·βˆ = r
( )
βˆR = βˆMCO + ( X '·X )−1 ·R'· R·( X '·X )−1 ·R' ·(r − R·βˆMCO )
−1
20
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.1) El Contraste de Razón de Verosimilitud
Sea:
· ϑ un Vector de Parámetros a Estimar.
( )
· Lˆu ϑ̂u y Lˆ R ϑ̂R ( ) las funciones de verosimilitud evaluadas en ϑ̂u y ϑ̂R
respectivamente:
Lˆu = max L(Y , ϑ ) en donde Θ es el espacio de parámetros y W
{ϑ∈Θ}
es un subconjunto de ese espacio:
Lˆ R = max L(Y , ϑ ) ϑR ∈ w ⊂ Θ
{ϑ∈W } 21
ϑu ∈ Θ
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.1) El Contraste de Razón de Verosimilitud
d donde q es el
RV = −2·log(λ ) = 2·[log( Lˆu ) − log( Lˆ R )]→ χ q2 número de
restricciones.
Regla de Decisión:
Se Rechaza la Hipótesis Nula de
Si RV > χ q2,α Validez de las Restricciones. 22
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.2) El Contraste de Wald
Sea:
· ϑ̂u el Vector de Parámetros Estimados obtenido sin tener en cuenta las
restricciones.
H 0 : R·θ = ϑ0
ESTADÍSTICO DE WALD:
d
'
[
W = [R·ϑˆu − ϑ0 ] · R·Vˆar (ϑˆu )·R ] ·[R·ϑˆ − ϑ ]→ χ
' −1
0
2
q
H 0 : θ = θ0
W = [θˆ − ϑ0 − 0] ·[Var (θˆ)] ·[θˆ − ϑ0 − 0]
' −1
H1 : θ ≠ θ 0
W=
(θˆ − ϑ ) 0
2
d
→ χ12
Var (ϑˆ )
FUNCIÓN DE
MÁXIMA Lu (ϑ ) = max L(Y , ϑ ) ϑ ∈Θ
{ϑ }
VEROSIMILITUD
C.P.O:
ϑˆu S (ϑˆu ) = 0
25
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.3) El Contraste del Multiplicador de Lagrange
H 0 : R·θ = ϑ0
26
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.3) El Contraste del Multiplicador de Lagrange
H 0 : β h +1 = β h + 2 = ... = β K = 0
H1 : A lg uno ≠ 0
28
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.4) Contraste de Nulidad Conjunta de un Subconjunto de Parámetros
SCE R − SCEu
d
F= K − h → FK −h ,n − K −1
SCEu
n − K −1
en donde:
SCE R es la Suma de los Cuadrados de los Errores del Modelo Restringido. Es
decir, es la SCE obtenida al regresar Y X 0 , X 1 ,..., X h
SCEu es la Suma de los Cuadrados de los Errores del Modelo Sin Restringir.
Es decir, es la SCE obtenida al regresar Y X 0 , X 1 ,..., X h , X h +1 , X h + 2 ,..., X K
29
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.2) Contrastes de Selección de Modelos.
3.2.4) Contraste de Nulidad Conjunta de un Subconjunto de Parámetros
Región
Aceptación α
(1 − α )
FK +1, n − K −1,α
30
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
90
80
Yi = βˆ0 + βˆ1 · X 1i + ei
70
60
50
40
30
20
10
0
10 15 20 25 30 35 40 45 50
31
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
Yi = βˆ0 + βˆ1· X 1i + ei
80
70 Yi A = αˆ 0 + αˆ1 · X 1i + ei
Yi = βˆ0 + βˆ1 · X 1i + ei
60
50
40
30
20
Yi B = δˆ0 + δˆ1 · X 1i + ei
10
20 25 30 35 40 45 50 55 60 65
32
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.3) El Contraste de Chow de Cambio Estructural
EL CONTRASTE DE CHOW: PROCEDIMIENTO
PRIMER PASO
N A + NB = N
33
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.3) El Contraste de Chow de Cambio Estructural
EL CONTRASTE DE CHOW: PROCEDIMIENTO
SEGUNDO PASO
H 0 : β A = β B = β
¿ Y = X A ·β A + ε ≡ Y = X B ·β B + ε ?
H1 : β A ≠ β B
TERCER PASO
Determinar el Estadístico
[e'·e − (e ·e
'
AA + e '
B ·eB )]
d
F= K + 1 → F( K +1),( N A + N B −2·( K +1))
'
( '
e A ·e A + eB ·eB )
(N A + N B − 2·(K + 1))
35
TEMA 3: Procedimientos de Contrastación y
Selección de Modelos
3.3) El Contraste de Chow de Cambio Estructural
EL CONTRASTE DE CHOW: PROCEDIMIENTO
CUARTO PASO
Regla de Decisión
[e'·e − e ·e ]
'
A A [e'·e − e ·e ]
'
B B
d
NB d
o NA
F= → FN B , N A − K −1 F= → FN A , N B − K −1
(
eA' ·e A ) (
eB' ·eB )
(N A − 2·(K + 1)) (N B − 2·(K + 1))
MODELO DE
REGRESIÓN LINEAL Yi = β 0 + β1 · X 1i + ... + β K · X Ki + U i
MÚLTIPLE
FORMA FUNCIONAL LINEAL
PRIMER PASO
p
Yi = β 0 + β1 · X 1i + ... + β K · X Ki + ∑ γ j ·Yˆi j + U i
j =2
p
SEGUNDO PASO
TERCER PASO