Tema 3

Tema 3:
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
d
MODELO Y = X ⋅ β +U U → N (ϑ , σ u2 ⋅ I )
MCO - LINEAL βˆ MCO = W ⋅ Y

- INSESGADO E ( βˆ MCO ) = β
βˆMCO = ( X '·X ) · X '·Y
−1
- CONSISTENTE lim βˆ MCO = β

n→∞
- ÓPTIMOS
PREGUNTA: ¿Se Podría Mejorar la Estimación MCO?

La incorporación al proceso de estimación de algún tipo de INFORMACIÓN
EXTRÍNSECA e INSESGADA sobre los parámetros del modelo podría
permitir una mayor precisión de los βˆMCO (varianza más pequeña). 3
Un Ejemplo: MODELO NO-LINEAL
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
Un Ejemplo:
MODELO NO-LINEAL
α β
Yi = γ ·K i ·Li ·U i
LINEALIZABLE
ln(Yi ) = ln γ + α ·ln( K i ) + β ·ln( Li ) + ln(U i )

γˆ0 ¿CÓMO SE INTERPRETAN
MCO α̂ LOS COEFICIENTES ELASTICIDADES
ESTIMADOS?
β̂ 5
Un Ejemplo:
Vamos a suponer que disponemos de INFORMACIÓN EXTRÍNSECA E

INSESGADA que confirma la HIPÓTESIS DE RENDIMIENTOS
CONSTANTES A ESCALA
H0 :α + β = 1 β = 1−α
Incorporando la Información en el Modelo obtenemos
ln(Yi ) = ln γ + α ·ln( K i ) + β ·ln( Li ) + ln(U i )  Yi   Ki 

ln  = ln γ + α ·ln   + ln(U i )
α + β =1  Li   Li 
∀i = 1,..., n 6
Un Ejemplo:
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
2 Las Variables del Modelo Restringido son Diferentes

Variable  Yi 
Dependiente ln  Output por Trabajador
 Li 
Variable  Ki 
ln   Capital por Unidad de Trabajo 7
Independiente
 Li 
Un Ejemplo:
PREGUNTA: ¿La Estimación MCO en el Modelo Restringido será MÁS

PRECISA que en el Modelo General?
¿ Var (αˆ MCO

Modelo Re stringido Modelo General
) < Var (αˆ MCO )?
RESPUESTA: SÍ
Dado el mismo número de
¿Por qué? observaciones n, en el modelo
restringido hay que estimar un menor
número de parámetros.
8
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 
Un Ejemplo:
¿CÓMO SABER SI LA HIPÓTESIS DE RENDIMIENTOS

PREGUNTA
CONSTANTES A ESCALA ES CIERTA? ¿α + β = 1?
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
Un Ejemplo:
PROCEDIMIENTO SEGUIDO EN LA ESTIMACIÓN MCR
1 Incorporar la Restricción en el Modelo General
α + β =1 ln(Yi ) = ln γ + α ·ln( K i ) + β ·ln( Li ) + ln(U i )
2 Especificar el Modelo Transformado o Restringido

Y  K 
ln i  = ln γ + α ·ln  i  + ln(U i )
 Li   Li 
3 Calcular los MCO del Modelo Restringido
(
βˆ * = βˆMCR = X *' · X * )
−1
· X *' ·Y * 11
Un Ejemplo:
PROBLEMAS DE
SEGUIR ESTE SOLUCIÓN
PROCEDIMIENTO
Definir los Estimadores MCR de

Existen complicaciones si el forma general
1 número de restricciones es
mayor que 1
Puede suceder que el modelo

2
restringido sea complejo
12
MÍNIMOS CUADRADOS RESTRINGIDOS
De forma general vamos a suponer que existe q restricciones lineales de los

parámetros:
R·β = r o R·β − r = 0
en donde
R(qx ( K +1)) Matriz de Coeficientes Constantes (no estocásticos)
β ( K +1)x1 Vector con los Parámetros del Modelo
rqX 1 Vector con Valores Correspondientes a la Hipótesis Nula 13

Ejemplos de la Notación Matricial R·β = r

1 H 0 : β1 = 1 Tenemos 1 Restricción (q = 1)
R[1x ( K +1) ]·β [( K +1) x1] = r1x1
 β0 
β 
 1
 . 
[0 1 0 . . . 0]·  = 1
 . 
 . 
  14
 β K 

2 H 0 : β1 + β 2 = 0 Tenemos 1 Restricción (q = 1)
R[1x ( K +1) ]·β [( K +1) x1] = r1x1
 β0 
β 
 1
 . 
[0 1 1 . . . 0]·  = 1
 . 
 . 
  15
 β K 

3 H 0 : β 0 + β1 = 3 y H 0 : β 2 − β 3 + β K = 0 Tenemos 2 Restricción
R[2 x ( K +1) ]·β [( K +1) x1] = r2 x1

(q = 2)
 β0 
β 
 1
 β2 
 
1 1 0 0 0 . . . 0   β 3   3 
0 0 1 − 1 0 . . . 1· .  =  0 
   
 
 . 
 . 
  16
 β K 

4 H 0 : β1 = β 2 = ... = β K = 0 Tenemos K Restricción (q = K )
R[Kx ( K +1) ]·β [( K +1) x1] = rKx1
 β0 
0 1 0 0 . . . 0    0 
0 β1  
 0 1 0 . . . 0    0 
 β2   
0 0 0 1 . . . 
0   0
   β3   
. . . . . . . . · =.
 .   
. . . . . . . .    . 
  . 
. . . . . . . .    . 
0  .  
 0 0 0 . . . 1   0 17
 β K 
Contrastar el Cumplimiento de las Restricciones
H 0 : R· β = r
(R·βˆ − r )'·[R·Vâr (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.
Contrastar el Cumplimiento de las Restricciones
REGLA DE DECISIÓN
Se Rechaza la Hipótesis Nula

· Si F > Fq ,n − K −1,α NO MCR
H 0 : R· β = r
Se Acepta la Hipótesis Nula

· Si F ≤ Fq ,n − K −1,α H 0 : R· β = r SÍ MCR
19
¿Cómo Calcular los EMCR?
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
3.2) Contrastes de Selección de Modelos.
3.2.1) El Contraste de Razón de Verosimilitud
Sea:
· ϑ un Vector de Parámetros a Estimar.
· H 0 la Hipótesis Nula en la que se indica alguna restricción: H 0 : R·θ = θ 0
· ϑ̂u el Estimador de Máxima Verosimilitud sin tener en cuenta la restricción

· ϑ̂R el Estimador de Máxima Verosimilitud teniendo en cuenta la restricción
( )
· Lû ϑ̂u y Lˆ R ϑ̂R ( ) las funciones de verosimilitud evaluadas en ϑ̂u y ϑ̂R
respectivamente:
Lû = 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
3.2.1) El Contraste de Razón de Verosimilitud
Definición: La Razón de Verosimilitud

Idea: Si λ toma un valor muy
Lˆ R
λ= λ ∈ [0,1] bajo entonces dudaremos de la
Lû validez de la restricción (¿por
qué?).
ESTADÍSTICO DEL CONTRASTE RAZÓN DE VEROSIMILITUD:
d donde q es el
RV = −2·log(λ ) = 2·[log( Lû ) − 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
3.2.2) El Contraste de Wald
Sea:
· ϑ̂u el Vector de Parámetros Estimados obtenido sin tener en cuenta las
restricciones.
· La Hipótesis Nula en la que se indica alguna restricción:
H 0 : R·θ = ϑ0
ESTADÍSTICO DE WALD:
d
'
[
W = [R·ϑû − ϑ0 ] · R·Vâr (ϑû )·R ] ·[R·ϑˆ − ϑ ]→ χ
' −1
0
2
q
Regla de Decisión: Si W > χ q2,α Se Rechaza la Hipótesis Nula de

Validez de las Restricciones.
23
3.2.2) El Contraste de Wald
Ejemplo: El Contraste de Wald con una Restricción
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 )
Regla de Decisión: Si W > χ12,α Se Rechaza la Hipótesis Nula de

24
3.2.3) El Contraste del Multiplicador de Lagrange
FUNCIÓN DE
MÁXIMA Lu (ϑ ) = max L(Y , ϑ ) ϑ ∈Θ
{ϑ }
VEROSIMILITUD
C.P.O:
∂ log(Lu (Y ,ϑ ) ) SCORES DEL

[(K + 1)x1]
S (ϑ ) = =0 MODELO
∂ϑ
ϑû S (ϑû ) = 0
25
Supongamos ahora el Modelo Restringido considerando la Hipótesis Nula
H 0 : R·θ = ϑ0
Si esta Hipótesis es cierta, entonces …
Si la Hipótesis Nula es Cierta,

ˆ ∂ log(Lu (Y , ϑˆR ) ) entonces la expresión del SCORE del
S (ϑR ) = ≈0 Modelo No Restringido evaluado en el
∂ϑ
punto ϑ̂ debe ser próximo a cero.
R
26
ESTADÍSTICO DEL CONTRASTE DEL MULTIPLICADOR DE LAGRANGE:
 ∂ log(Lu (Y ,ϑˆR ) ) −1  ∂ log (Lu (Y , ϑˆR ) ) d 2

'
L= '  ·[Var (ϑˆR )] · '  → χq

 ∂ϑ   ∂ϑ 
Regla de Decisión: Si L > χ q2,α Se Rechaza la Hipótesis Nula de

Las Restricciones impuestas no son
Válidas: H 0 : R·θ = ϑ0
27
3.2.4) Contraste de Nulidad Conjunta de un Subconjunto de Parámetros
MODELO DE REGRESIÓN LINEAL MÚLTIPLE
Yi = β 0 + β1 · X 1i + β 2 · X 2i + ... + β h · X hi + β h +1 · X h +1i + β h + 2 · X h + 2i + ... + β k · X ki + U i
El Contraste a Realizar será:
 H 0 : β h +1 = β h + 2 = ... = β K = 0

 H1 : A lg uno ≠ 0
28
El Estadístico a emplear será:
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
La Regla de Decisión será:
Se Acepta la Hipótesis Nula de Validez de las

· Si F ≤ FK − h ,, n − K −1,α Restricciones.
Se Rechaza la Hipótesis Nula de Validez de las

· Si F > FK − h ,, n − K −1,α Restricciones.
Región
Aceptación α
(1 − α )
FK +1, n − K −1,α
30
3.3) El Contraste de Chow de Cambio Estructural

Permanencia o Constancia Estructural
100
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

Cambio Estructural
90
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
EL CONTRASTE DE CHOW: PROCEDIMIENTO
PRIMER PASO
Realizar la Partición de la Muestra en 2 Submuestras
-. La que tiene las N A Primeras Observaciones de la Muestra
-. La que tiene las N B Últimas Observaciones de la Muestra
N A + NB = N
33
SEGUNDO PASO
Especificar el Contraste de Hipótesis
H 0 : β A = β B = β
 ¿ Y = X A ·β A + ε ≡ Y = X B ·β B + ε ?
 H1 : β A ≠ β B
-. Aceptar la Hipótesis Nula es Indicativo de Permanencia Estructural de los

Parámetros
-. Rechazar la Hipótesis Nula es Indicativo de Cambio Estructural. Los
Parámetros del Modelo no pueden considerarse constantes. 34
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
CUARTO PASO
Regla de Decisión
-. Si F ≥ F( K +1),( N A + N B − 2·( K +1)),α Rechazar H 0
EXISTE UNA DIFERENCIA SIGNIFICATIVA ENTRE ESTIMAR

LAS REGRESIONES SEPARADAS O LA REGRESIÓN
CONJUNTA
-. Si F < F( K +1),( N A + N B − 2·( K +1)),α Aceptar H 0

36

EL CONTRASTE DE CHOW: CUESTIONES Y LIMITACIONES
Es necesario determinar previamente el Punto de Corte N A . Es

1
un elemento fundamental ya que el contraste es muy sensible a N A
La situación deseable es que N A determine 2 submuestras de

tamaño aproximadamente equivalente a la mitad del tamaño
2
muestral. Si N A está próximo a alguno de los extremos de la
muestra es aconsejable emplear
[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))
3 El Test de Chow se puede emplear tanto con datos temporales37

como con datos de corte transversal.
3.4) El Contraste Reset de Ramsey
MODELO DE
REGRESIÓN LINEAL Yi = β 0 + β1 · X 1i + ... + β K · X Ki + U i
MÚLTIPLE
FORMA FUNCIONAL LINEAL
¿Qué Sucede si la ESTIMADORES

Forma Funcional No SESGADOS Y POCO
es la Correcta? PRECISOS
¿Cómo verificar que

el Modelo está Bien TEST DE RAMSEY
Especificado?
38

¿ESTÁ EL MODELO DE REGRESIÓN CORRECTAMENTE
ESPECIFICADO?
PRIMER PASO
Estimar el Siguiente Modelo
p
Yi = β 0 + β1 · X 1i + ... + β K · X Ki + ∑ γ j ·Yî j + U i
j =2
p
en donde ∑ j i es la suma del ajuste obtenido Ŷi

γ ·Y
j =2
ˆ j
elevado a distintas
potencias (generalmente p=2).
39
ESPECIFICADO?
SEGUNDO PASO
Especificar el Contraste de Hipótesis
¿POR QUÉ ESTE  H 0 : γ 2 = ... = γ p = 0

CONTRASTE? 
 H1 : a lg uno es ≠ 0
Si algún γj es significativo, entonces la especificación inicial es Incorrecta

MAL
Yi = β 0 + β1 · X 1i + ... + β K · X Ki + U i ESPECIFICADO 40
ESPECIFICADO?
TERCER PASO
Determinar el Estadístico y la Regla de Decisión
1 El Estadístico F para contrastar la nulidad de un conjunto de parámetros.

Si F ≥ F( P −1),(n − K + p − 2 ),α El Modelo está MAL ESPECIFICADO.
2 El Estadístico t si se introduce sólo el cuadrado del ajuste (p=2).

Si t ≥ t n − K + p − 2,α El Modelo está MAL ESPECIFICADO.
41

Tema 3

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tema 3

Загружено:

Авторское право:

Доступные форматы

Tema 3:

MCO - LINEAL βˆ MCO = W ⋅ Y

- CONSISTENTE lim βˆ MCO = β

PREGUNTA: ¿Se Podría Mejorar la Estimación MCO?

ln(Yi ) = ln γ + α ·ln( K i ) + β ·ln( Li ) + ln(U i )

Vamos a suponer que disponemos de INFORMACIÓN EXTRÍNSECA E

Incorporando la Información en el Modelo obtenemos

ln(Yi ) = ln γ + α ·ln( K i ) + β ·ln( Li ) + ln(U i )  Yi   Ki 

2 Las Variables del Modelo Restringido son Diferentes

PREGUNTA: ¿La Estimación MCO en el Modelo Restringido será MÁS

¿ Var (αˆ MCO

¿CÓMO SABER SI LA HIPÓTESIS DE RENDIMIENTOS

PROCEDIMIENTO SEGUIDO EN LA ESTIMACIÓN MCR

1 Incorporar la Restricción en el Modelo General

α + β =1 ln(Yi ) = ln γ + α ·ln( K i ) + β ·ln( Li ) + ln(U i )

2 Especificar el Modelo Transformado o Restringido

Definir los Estimadores MCR de

Puede suceder que el modelo

MÍNIMOS CUADRADOS RESTRINGIDOS

De forma general vamos a suponer que existe q restricciones lineales de los

R(qx ( K +1)) Matriz de Coeficientes Constantes (no estocásticos)

β ( K +1)x1 Vector con los Parámetros del Modelo

rqX 1 Vector con Valores Correspondientes a la Hipótesis Nula 13

MÍNIMOS CUADRADOS RESTRINGIDOS

Ejemplos de la Notación Matricial R·β = r

MÍNIMOS CUADRADOS RESTRINGIDOS

Ejemplos de la Notación Matricial R·β = r

MÍNIMOS CUADRADOS RESTRINGIDOS

Ejemplos de la Notación Matricial R·β = r

R[2 x ( K +1) ]·β [( K +1) x1] = r2 x1

MÍNIMOS CUADRADOS RESTRINGIDOS

Ejemplos de la Notación Matricial R·β = r

MÍNIMOS CUADRADOS RESTRINGIDOS

Contrastar el Cumplimiento de las Restricciones

MÍNIMOS CUADRADOS RESTRINGIDOS

Contrastar el Cumplimiento de las Restricciones

Se Rechaza la Hipótesis Nula

Se Acepta la Hipótesis Nula

MÍNIMOS CUADRADOS RESTRINGIDOS

¿Cómo Calcular los EMCR?

· H 0 la Hipótesis Nula en la que se indica alguna restricción: H 0 : R·θ = θ 0

· ϑ̂u el Estimador de Máxima Verosimilitud sin tener en cuenta la restricción

Definición: La Razón de Verosimilitud

ESTADÍSTICO DEL CONTRASTE RAZÓN DE VEROSIMILITUD:

· La Hipótesis Nula en la que se indica alguna restricción:

Regla de Decisión: Si W > χ q2,α Se Rechaza la Hipótesis Nula de

Regla de Decisión: Si W > χ12,α Se Rechaza la Hipótesis Nula de

∂ log(Lu (Y ,ϑ ) ) SCORES DEL

Supongamos ahora el Modelo Restringido considerando la Hipótesis Nula

Si esta Hipótesis es cierta, entonces …

Si la Hipótesis Nula es Cierta,

ESTADÍSTICO DEL CONTRASTE DEL MULTIPLICADOR DE LAGRANGE:

 ∂ log(Lu (Y ,ϑˆR ) ) −1  ∂ log (Lu (Y , ϑˆR ) ) d 2

L= '  ·[Var (ϑˆR )] · '  → χq

Regla de Decisión: Si L > χ q2,α Se Rechaza la Hipótesis Nula de

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

Yi = β 0 + β1 · X 1i + β 2 · X 2i + ... + β h · X hi + β h +1 · X h +1i + β h + 2 · X h + 2i + ... + β k · X ki + U i

El Contraste a Realizar será:

El Estadístico a emplear será:

La Regla de Decisión será:

Se Acepta la Hipótesis Nula de Validez de las

Se Rechaza la Hipótesis Nula de Validez de las

3.3) El Contraste de Chow de Cambio Estructural