Академический Документы
Профессиональный Документы
Культура Документы
Econometría II
Curso 2015-2016
Esquemas de teoría
Profesores:
Jesús Cavero Álvarez
Carmen Lorenzo Lago
Material Docente de Econometría II
Curso 2015-2016
• El estimador βˆ MCO seguirá siendo insesgado siempre que X sea no aleatoria y E(ε)=0
ya que:
E ( βˆ MCO ) = β + ( X ' X ) X ' E (ε ) = β
−1
−1 −1
σ2 X'X X ' ΩX X'X
b) lim ∑βˆβˆ = lim N →∞ lim N →∞ lim N →∞ lim N →∞ =0
N N N N
por tanto: βˆ c → β ⇒ βˆ c→
. m. c.
. p.
β , el estimador es consistente
1
Econometría Curso 2015-16
ε 'M ε
=
e'e
E ( S 2 ) E= E=
N − k −1
1
N − k −1 N − k −1
E tr
= ( ε ' M ε )
1
N − k −1
E (εε ' )
trM=
σ
2
= trM Ω ≠ σ 2
N − k −1
ya que p lim
εε
'
= p lim
∑ ε i2
≠σ2
N N
( ~'
) ( ~
) ~ ~ ~
e~' Σ −1e~ = Y − Xβ Σ −1 Y − Xβ = Y ' Σ −1Y − 2Y ' Σ −1 Xβ + β ' X ' Σ −1 Xβ
Condiciones de 1º orden:
∂e~' Σ −1e~ ~ ~
~ = − 2 X ' Σ Y + 2 X ' Σ Xβ = 0
−1 −1
⇒ X ' Σ −1Y = X ' Σ −1 Xβ
∂β
~
( −1
)
β MCG = X ' Σ −1 X X ' Σ −1Y o bien β MCG = (X ' Ω −1 X ) X ' Ω −1Y
~ −1
2
Econometría II Curso 2015-16
Condiciones de 2º orden:
∂ 2 e~ ' Σ −1 e~ −1
~ ~ = 2 X ' Σ X que es una matriz definida positiva.
∂β ∂β '
~
Forma alternativa de derivar el estimador β MCG :
ε → N (0, σ 2 Ω ) donde Ω es una matriz definida positiva y simétrica, esto implica que Ω-1
es también definida positiva, por tanto, siempre existirá una matriz no singular P tal que
P’P = Ω-1.
Llamando: PY=Y*
PX=X*
Pε=ε* tendremos: Y* = X*β + ε*
• ε * → N (0, σ 2 I )
(
Por tanto el estimador MCO βˆ * = X * ' X * ) −1
X * ' Y * = X ' Ω −1 X ( ) −1 ~
X ' Ω −1Y = β MCG
1
(Y − Xβ )' Ω −1 (Y − Xβ )
( )
−N 2 − 12 −
Función de verosimilitud: L = 2πσ 2 Ω e 2σ 2
ln L = −
N
(
ln 2πσ 2 ) 1
− ln Ω −
1
(Y − Xβ )' Ω −1 (Y − Xβ )
2 2 2σ 2
3
Econometría Curso 2015-16
−
1
(Y − Xβ )' Ω −1 (Y − Xβ ) por tanto ~
β MCG = β MV
~
2σ 2
~
σ MV =
2
~'
( ) (
~
Y − Xβ Ω −1 Y − Xβ
=
e~ ' Ω −1 e~ )
N N
∑ ββ = σ 2 ( X ' Ω −1 X )
−1
• ELIO con matriz de varianzas covarianzas: ~~
• Consistente
• Como es un estimador MV: asintóticamente normal, asíntóticamente eficiente,
consistente y la propiedad de la invarianza
X ' Ω −1 X
−1
•
~
(
c.d .
Distribución asintótica: N β − β → N 0, σ lim
2
)
N
(
~
donde: e * = Y * − X * βˆ * = P Y − Xβ = P e~ )
~ ~
Como S 2 = S *2 y S*2 es un estimador insesgado y consistente de σ2, S 2 también será
insesgado y consistente de σ2.
~
Estimación cuando Ω es desconocida. El estimador MCG factible: β F
~
(−1
)
El estimador β MCG = X ' Ω −1 X X ' Ω −1Y depende de una matriz Ω que a su vez dependerá
de una serie de parámetros desconocidos que denominaremos genéricamente θ. En
concreto, dicha matriz depende de N varianzas y N(N-1)/2 covarianzas, por tanto,
tendremos más parámetros que observaciones. La forma de Ω = Ω(θ ) dependerá del
problema que se presente (autocorrelación, heteroscedascidad o ambas) y, además, a
medida que N aumenta, el número de parámetros también aumenta.
4
Econometría II Curso 2015-16
Para calcular Ω̂ tendremos previamente que imponer a Ω una estructura que permita
reducir el nº de parámetros a estimar, estructura que también dependerá del problema a
estudiar. Por tanto, la utilización de Ω̂ implica dos tipos de errores:
• En principio, si hay que estimar Ω , que es lo que sucede generalmente, tendremos que
Ωˆ −1 será aleatoria y no se mantendrán las propiedades para muestras finitas. No es
ELIO porque no es lineal ni insesgado.
• Tampoco es eficiente al ser sesgado
• La distribución exacta no es válida
~ ~
• β F será asintóticamente equivalente a β si se cumplen dos requisitos:
X 'Ωˆ −1 X X ' Ω −1 X
a) p lim N →∞ = p lim N →∞
N N
X 'Ω ε
ˆ −1
X ' Ω −1ε
b) p lim N →∞ = p lim N →∞
N N
en cuyo caso, tendrá las mismas propiedades asintóticas que el estimador generalizado, es
decir, será consistente, asintóticamente eficiente y asintóticamente normal.
~ ~
• La distribución asintótica de β F es la misma que la de β .
5
Econometría Curso 2015-16
S2 sesgado, inconsistente S β~
MCG
= S G2 (X ' Ω X ) −1 −1
Asintóticamente Eficiente
Σ βˆβˆ =σ
2
( X ' X )−1 X ' Ω X ( X ' X )−1 si Ω̂ no es consistente:
Ninguna propiedad
Si estimamos por MCG, no hay una medida equivalente al R2 precisa. Se han propuesto
alternativas, pero han de ser tomadas con cautela cuando se usan. Una primera elección sería el R
cuadrado del modelo transformado ( R 2∗ ) pero esta regresión puede no tener término constante, por
lo que no está acotado. Aún en el caso de que tenga término constante habría que tener cuidado pues
no mide la variabilidad de Y, sino la parte de la variabilidad de Y* explicada por las X*. Una
segunda elección sería calcular una medida del ajuste basándose en los residuos del modelo original
e~ ' e~
estimado por MCG, calculado como RG2 = 1 − , pero el problema es que en el modelo original
SCT
no se cumple la descomposición de la varianza y, por lo tanto, no estaría acotado.
6
Econometría II Curso 2015-16
(Rβˆ *
MCO )[ (
− r ' R X '∗ X ∗ R ')−1
] (Rβˆ
−1
*
MCO −r )→ F H
N − K −1
S 2∗ ⋅ H
o bien en función de las variables originales:
(Rβ~ MCG )[ (
− r ' R X ' Ω −1 X )−1
R'] (Rβ~
−1
MCG −r )→ F H
donde
~
S2 =
e~ ' Ω −1 e~
~ N − K −1
S 2 ⋅H N − K −1
7
Econometría Curso 2015-16
8
Econometría II Curso 2015-16
TEMA 1: HETEROSCEDASTICIDAD
σ 12 0 .... 0
0 σ 22 0
( )
E εε ' =
....
.... .... .... ....
0
0 .... σ N2
w1 0 .... 0
E (εε ) = σ Ω , donde Ω =
' 2 0 w2 .... 0
.... .... .... ....
0 0 .... wN
Para explicar mejor la diferencia entre heteroscedasticidad y homoscedasticidad, vamos
analizar un modelo de regresión de dos variables en el que la variable dependiente (Y) es el
ahorro personal y la variable explicativa (X), la renta personal disponible. La Figura 1a)
muestra que a medida que aumenta la renta personal disponible, también aumenta, de
media, el ahorro, pero la varianza del ahorro en torno a su valor medio permanece igual
para todos los niveles de renta personal disponible, (recuérdese que la recta de regresión
poblacional muestra el valor medio de la variable dependiente para determinados valores de
la variable explicativa). Este es el caso de la homoscedasticidad o igual varianza. Por otra
parte, como muestra la Figura 1b), aunque el nivel medio de los ahorros aumenta a medida
que lo hace la renta personal disponible, la varianza del ahorro no permanece igual para
todos los niveles de renta. Aquí aumenta con la renta personal disponible. Este es el caso de
la heteroscedasticidad o varianza desigual. Dicho de otra manera la figura b) muestra que la
9
Econometría Curso 2015-16
gente de rentas elevadas ahorra, de media, más que la gente de rentas bajas, pero también
hay más variabilidad en sus ahorros.
Figura 1 1
Var (Y / X i= ( ) 2 σ 2w
) Var ε i= σ i= i ∀=
i 1, 2,,... N
1
Gujarati (2006): Principios de Econometría. McGraw Hill.
10
Econometría II Curso 2015-16
11
Econometría Curso 2015-16
Variable explicativa X
Por su parte, un diagrama de dispersión entre un regresor y los residuos al cuadrado no sólo
puede servir para mostrar indicios de heteroscedasticidad; en este caso, la forma de la nube
de puntos ( X ji , ei2 ) puede sugerir la forma funcional que presenta la heteroscedasticidad.
Así, la nube de puntos de la Figura 3 indicaría que ei2 depende lineal o cuadráticamente de
X ji . Dado que ei2 se puede considerar una estimación de Var (ε i ) , estimación con un único
valor muestral 3, el gráfico sugeriría cual es el regresor culpable de la heteroscedasticidad y
la forma funcional de la misma. En este caso, Var (ε i ) = σ 2 X ji o Var (ε i ) = σ 2 X 2ji .
Figura 3 4
Residuos al cuadrado
Variable explicativa X
2
Gujarati (2006): Principios de Econometría. McGraw Hill.
3
Dado que la perturbación ε i es inobservable, podemos considerar el residuo ei como una muestra de
tamaño 1 de la variable ε i . Dado que E (ε i ) = 0 , entonces,
r (ε ) = E (ε 2 ) = e 2
~
Va~ i i i
esto es, estimamos la media de las perturbaciones al cuadrado con la media de los cuadrados de la muestra de
residuos, pero como sólo se dispone de un valor muestral, ei , esta media será ei2 .
4
Gujarati (2006): Principios de Econometría. McGraw Hill.
12
Econometría II Curso 2015-16
( )
La Figura 4 representa posibles patrones para ei2 y, por tanto, para Var ε i . Así, la Figura
4c) siguiere una forma lineal, mientras que 4d) y 4e) cuadrática. Por su parte 4a) refleja la
no existencia de heteroscedasticidad y la forma en el caso de 4b) es más difícil de ajustar.
Figura 4 5
5
Gujarati (2006): Principios de Econometría. McGraw Hill.
13
Econometría Curso 2015-16
Figura 5 6
Variable a explicar Y
Variable explicativa X
Análisis de heteroscedasticidad:
• Análisis gráfico:
Realizamos la representación gráfica de los residuos al cuadrado frente a cada una de las
variables explicativas:
6
Gujarati (2006): Principios de Econometría. McGraw Hill.
14
Econometría II Curso 2015-16
En ambos diagramas se detecta claramente que para los valores grandes de los regresores
la variabilidad aumenta lo cual es indicativo de la existencia de heteroscedasticidad y su
patrón de comportamiento sugiere una relación lineal. Por otro lado si realizamos el
diagrama de los residuos al cuadrado frente a la variable estimada (ventasf), el resultado
es:
15
Econometría Curso 2015-16
=
H o : Var εi ( )
ε i2 σ 2
E= ( )
Por tanto, se trata de probar si el valor esperado de ε i2 se relaciona o no con una o más
variables explicativas y dado que este valor no es observable utilizaremos en su lugar ei2 .
De esta manera, si la Ho es falsa, ei2 será cualquier función de una o más variables
explicativas.
Con esta idea vamos a plantear varios contrastes que no sólo nos permitirán detectar la
posible existencia (o no) de heteroscedasticidad sino que, en el caso de que la haya, algunos
permitirán darnos una idea sobre la forma que adopta la misma.
7
Es un test asintótico basado en los multiplicadores de Lagrange.
16
Econometría II Curso 2015-16
2) Se estima una regresión auxiliar de los residuos MCO al cuadrado frente a cada uno
de los regresores, cada uno de los regresores al cuadrado y los productos cruzados
de los regresores dos a dos.
3) Cuando N aumenta, se demuestra que N Raux 2
a
→ χ k2( aux ) . Siendo R aux
2
el
coeficiente de determinación de la regresión auxiliar realizada en 2) y la distribución
χ 2k ( aux ) tiene como grados de libertad el nº de regresores de la regresión auxiliar
excluido el término constante.
Valores pequeños del estadístico, nos indicarían que la regresión auxiliar no es significativa
2
( Raux pequeño), que los residuos al cuadrado y, por tanto, las varianzas de las
2
perturbaciones, no dependen de los regresores. De este modo, valores pequeños de N ⋅ Raux
llevarían a no rechazar (aceptar) la homoscedasticidad. En cambio, valores grandes
llevarían a rechazar la homoscedasticidad.
EJEMPLO1: Las salidas del programa Eviews8 nos proporciona la siguiente salida:
Como puede verse, el p-valor asociado al estadístico de White es igual a 0,0025 lo cual
indica que rechazamos la hipótesis nula y detecta claramente heteroscedasticidad.
17
Econometría Curso 2015-16
Detecta que la varianza de las perturbaciones es una función del precio y por tanto no es
constante.
H1: Heteroscedasticidad σ i2 = h( X ji )
El procedimiento del test es el siguiente:
1) Se ordenan las observaciones según los valores crecientes de Xj.
2) Se suprimen un nº central de observaciones (c), generalmente un cuarto o un tercio
de todas las observaciones (esto no es imprescindible pero es más fácil detectar el
problema), dividiendo la muestra en dos submuestras del mismo tamaño, la primera
con los valores más pequeños de la variable y la segunda con los más grandes.
3) Se estima por MCO cada una de las submuestras con (N-c)/2 observaciones cada
una, siendo c el número de observaciones eliminadas.
4) Calculamos sus respectivas SCR
5) Se construye un estadístico F de la forma:
18
Econometría II Curso 2015-16
N −c N −c
mayorSCR − k −1 mayorS 2 − k −1
→ F N −2c o bien → F N −2c
menorSCR
2
− k −1 menorS 2 2
− k −1
Valores pequeños del estadístico indicarían que no hay grandes diferencias entre las
varianzas estimadas en las dos submuestras y, por tanto, las varianzas de las perturbaciones
serán constantes. De este modo, valores pequeños del estadístico llevarían a no rechazar la
hipótesis de homoscedasticidad 8. En cambio, valores grandes llevarían a rechazarla.
Además, si mayorSCR se corresponde a la segunda muestra, se rechazará frente a
σ i2 = σ 2 X 2ji , mientras que si mayorSCR se corresponde a la primera nos indica que la
1
homoscedasticidad se rechaza frente a σ i2 = σ 2 2 .
X ji
1, 45E + 11
=
El valor muestral des estadístico F* = 3,11 y el valor crítico para un nivel de
4,66 E + 10
significación del 5% es F3939 ≅ F4040 =
1,6928 por tanto, se rechaza la hipótesis nula de
homoscedasticidad y como ya se ha detectado antes se asume que el precio es el causante
de la heteroscedasticidad.
8
Nótese que si no se rechaza la hipótesis nula no significa que no exista heteroscedasticidad, dado que ésta
podría estar asociada a otra variable y, tal vez haya que repetir el proceso con otras variables.
9
Previamente a ordenar las observaciones, se genera una variable tendencia de tal forma, que al acabar de
hacer el contraste, se vuelven a ordenar todas observaciones en función de la tendencia y así todas las
observaciones quedarían como estaban previamente en el fichero. Este paso es esencial cuando se trabaja con
series temporales.
19
Econometría Curso 2015-16
20
Econometría II Curso 2015-16
Figura 6 10
1 / w1 0 .... 0 1 / w1 0 .... 0
0 1 / w2 .... 0 0 1 / w2 .... 0
Ω −1 = ; P=
.... .... .... .... .... .... .... ....
0 0
0 .... 1 / wN 0 .... 1 / wN
Siendo P la matriz que transforma el modelo de regresión lineal generalizado en un modelo
de regresión lineal clásico.
Por tanto, las matrices correspondientes al modelo transformado serían:
1 / w1 X 11 / w1 .... X k1 / w1
Y1 / w1 ε 1 / w1
1 / w2 X 12 / w2 .... X k2 / w2
PX = ; PY = ; Pε = ;
.... .... .... ....
1 / w X 1N / wN .... X kN / wN YN / w N ε N / wN
N
10
Gujarati (2006): Principios de Econometría. McGraw Hill.
21
Econometría Curso 2015-16
Yi 1 X 1i X ki εi
= βo + β1 + .......β k +
wi wi wi wi wi
Por tanto, los estimadores MCO de β o , β1 β k de este modelo transformado son los
estimadores por Mínimos Cuadrados Ponderados (MCP), llamados también de Mínimos
Cuadrados Generalizados; donde cada observación de Y, X1 y X2 se pondera (es decir, se
divide) por la desviación típica ( σ i ). Las observaciones de distribuciones con mayor
varianza (o desviación típica) tienen menos peso que aquellas que provienen de
distribuciones con varianza menor. Como el modelo transformado es un MRLC los
estimadores MCO (y, por tanto, los MCP) serán ELIO y consistentes.
Obsérvese que lo que se hace para conseguir perturbaciones con igual varianza es tipificar
cada variable ( Zε i ), esto es,
ε i − E (ε i ) ε
Vi = Zε i = = i
Var (ε i ) σ i2
( )
Var ε i = σ 2 X ji o bien ( )
Var ε i = σ 2 X 2ji ( )
o bien Var ε i = σ 2Yˆi2
22
Econometría II Curso 2015-16
O lo que es lo mismo
Yi 1 X X
= βo + β1 1i + .......β k ki + vi
X ji X ji X ji X ji
Así, obtendríamos los ahora llamados estimadores MCPF (Mínimos cuadrados ponderados
factibles), estimando el modelo transformado por MCO.
Donde la perturbación sólo cumplirá las hipótesis clásicas si hubiéramos acertado en la
formulación de la varianza (esta cuestión se desconoce):
ε ε 1 σ 2ωi
vi = i , por tanto: Var (vi ) = Var ( i ) = Var (ε i ) = = ?? = ¿ cte ?
X X ji2 2
ji ( X ji ) X ji
Dado que nos basamos en una hipótesis sobre los verdaderos valores de σ i2 , la calidad de
las estimaciones dependerá de la idoneidad de la misma. Por ello, en este caso es necesario
comprobar que el modelo transformado ya no tiene heteroscedasticidad. Para ello se pueden
utilizar los gráficos y contrastes vistos anteriormente. De esta manera, si podemos aceptar
que en el modelo transformado la perturbación es homoscedástica el estimador MCPF tiene
las propiedades asintóticas del estimador MCP. En caso contrario, la estimación ponderada
no mejora ninguna de las propiedades del EMCO del modelo original.
Veamos la estimación ponderada con el programa Eviews en nuestro EJEMPLO1
suponiendo en base al test de Breusch-Pagan-Godfrey y Golfeld y Quandt que :
Var (ε i ) = σ 2 precioi
23
Econometría Curso 2015-16
24
Econometría II Curso 2015-16
e2
1 1
donde Vˆ = X ' X , siendo ei el error mínimo cuadrático ordinario.
N
e N
2
En nuestro EJEMPLO1, la estimación MCO con la matriz de White da el siguiente
resultado:
Como vemos los estimadores de los parámetros son los mismos que obtuvimos en la
estimación de mínimos cuadrados ordinarios, pero sus errores estándar son distintos y por
tanto, también los estadísticos t (que no eran válidos en la estimación de mínimos
cuadrados ordinario) que ahora son válidos asintóticamente.
25
Econometría Curso 2015-16
Como vemos el estadístico de White es igual a 8,69 y el p-valor asociado es igual a 0,122
por lo tanto, no rechazamos la hipótesis nula, por lo que podemos concluir que en este
modelo no existe heteroscedasticidad.
26
Econometría II Curso 2015-16
E (ε t ) = 0
E (ε t ε t − s ) ≠ 0 ∀s = 1, 2... .
E (ε )2 = σ 2
t
11
Como veremos posteriormente, las tres formas de introducir relaciones dinámicas están relacionadas y no
son tan diferentes como se podría pensar en un principio.
27
Econometría Curso 2015-16
Causas de la autocorrelación
1) La autocorrelación se produce principalmente cuando trabajamos con datos de series
temporales. En este caso, la propia inercia de las series económicas hace que efectos de
situaciones pasadas influyan en el momento actual. Por otra parte, si la variable
endógena presenta una tendencia creciente y las variables explicativas no explican
dicho comportamiento, será la perturbación quien recoja dicha tendencia y esto se
manifiesta en la existencia de autocorrelación positiva.
2) Existencia de errores de especificación como: omisión de variables relevantes (que
recojan ciclos, tendencias, variable endógena retardada) o mala especificación
funcional.
3) Existencia de relaciones dinámicas entre las variables.
4) Manipulación de datos, como por ejemplo, la desestacionalización de una serie
mediante la utilización de medias móviles.
Dependiendo de la causa de la autocorrelación, el procedimiento para corregirla será uno u
otro. Si se debe a un error de especificación lo que hay que hacer es solucionar dicho error
y, por tanto, antes de actuar sobre la autocorrelación primero hay que evaluar el modelo.
12
Esto significa, por ejemplo, que Cov( ε 1ε 2 ) = Cov( ε 2 ε 3 ) = Cov( ε 7 ε 8 ) = ... = Cov( ε t ε t +1 ) .
28
Econometría II Curso 2015-16
ε t ρ [ ρε t −2 + ut −1 ] +=
Tenemos, por tanto:= ut ρ 2ε t −2 + ρ ut −1 + ut
∞
Y haciendo sucesivas sustituciones: ε t = ρ ∞ ε t −∞ + ∑ ρ τ u t −τ
τ =0
∞
Por la condición de estacionariedad ρ ∞ → 0 y, entonces: ε t = ∑ ρ τ u t −τ
τ =0
Momentos:
∞
* E (ε t ) = ∑ ρ τ E (u t −τ ) = 0
τ =0
2
∞ ∞
* γ 0 = Var (ε t ) = E (ε t ) = E ∑ ρ τ u t −τ = ..... = ∑ ρ 2τ σ u2 = σ u2 (1 + ρ 2 + ρ 4 + ...)
2
τ =0 τ =0
σ u2
γ o = Var (ε t ) = σ ε = 2
=γ0
1− ρ 2
* γ 1 = Cov(ε t ε t +1 ) = E (ε t ε t +1 ) = E [ε t (ρε t + u t +1 )] = ... = ρσ ε2 = ργ 0 puesto que E (ε t u t +1 ) = 0
* γ 2 = Cov(ε t ε t + 2 ) = E (ε t ε t + 2 ) = ρ E (ε t ε t +1 ) = ρ 2σ ε2 = ρ 2 γ 0
En general:
29
Econometría Curso 2015-16
1 ρ ρ2
ρ T −1 1 ρ ρ 2 ρ T −1
ρ 1 ρ
ρ T −2 ρ 1 ρ ρ T −2
E (εε = ) σ ε ρ 2 1
' 2
ρ 1 ρ T −3 = σ u2 ρ2 ρ 1 ρ T −3 = σ u2Ω
1− ρ
2
ρ T −1
ρ T −2 ρ T −3 1 ρ T −1 ρ T −2 ρ T −3 1
Ω
por tanto, el número de parámetros a estimar se ha reducido considerablemente al suponer
que la estructura de dependencia temporal entre las perturbaciones es un AR(1).
A) Métodos gráficos
1. Representaciones gráficas de los residuos et frente al tiempo
Figura 7 13
13
Gujarati (2006): Principios de Econometría. McGraw Hill.
30
Econometría II Curso 2015-16
Figura 8 14
14
Gujarati (2006): Principios de Econometría. McGraw Hill.
31
Econometría Curso 2015-16
El modelo tiene un buen ajuste, sin embargo dado que estamos trabajando con series
temporales deberíamos estudiar la existencia de autocorrelación, ya que si existe
autocorrelación, los errores estándar de los estimadores y los estadísticos t no son válidos.
Por tanto el aceptar o no los resultados de la estimación anterior, requiere analizar la
existencia o no de autocorrelación.
A) Métodos gráficos:
1. Gráficos de los residuos:
Figura 9 Figura 10
32
Econometría II Curso 2015-16
∑ et et + s
=ρˆ s t =1
T
= ∀s 1, 2,...
∑ et 2
t =1
1
El intervalo de confianza es: IC : ±2 [ −0,392 ;0,392]
=
26
Como existen coeficientes que sobresalen las bandas de confianza, los residuos presentan
autocorrelación.
B) Contrastes estadísticos
Todos ellos utilizan para su elaboración los residuos obtenidos en la estimación mínimo
cuadrática ordinaria y plantean en la hipótesis nula la ausencia de autocorrelación. La
33
Econometría Curso 2015-16
∑ (e − et −1 )
2
t
d= t =2
T
∑e
2
t
t =1
0 dL dU 2 4-dU 4-dL 4
Inconvenientes:
34
Econometría II Curso 2015-16
donde Var ( βˆi ) es la varianza del parámetro que acompaña al primer retardo de la
variable endógena (en la práctica se utiliza S β2ˆ ) y ρ̂ es el estimador de ρ obtenido a
i
∑ (e − et − 4 )
2
t
d4 = t =5
T
∑e
2
t
t =1
35
Econometría Curso 2015-16
36
Econometría II Curso 2015-16
1 −ρ 0 0 0
− ρ (
1+ ρ 2 ) −ρ 0 0
0
Ω −1 =
−ρ (
1+ ρ 2 ) −ρ 0
0
0 0 (1 + ρ )
2
− ρ
0 −ρ 1
0 0
37
Econometría Curso 2015-16
Y de la matriz P de transformación:
1− ρ 2
0 0 0 0
−ρ 1 0 0 0
−ρ 1 0 0
P=
0
0 0 0 1 0
0
0 0 − ρ 1 −1
tal que P' P = Ω
Siendo las matrices del modelo transformado:
1− ρ2 1 − ρ 2 X 11 .... 1 − ρ 2 X k1
PX = (1− ρ ) ( X 12 − ρ X 11 ) .... ( X k2 − ρ X k1 )
.... .... .... ....
(1 − ρ ) ( X − ρ X ) .... ( X − ρ X )
1T 1T −1 kT kT −1
Y 1− ρ2 ε 1− ρ2
1
1
Y2 − ρY1 ε 2 − ρε1
=PY = ; Pε
Y − ρY ε − ρε
T T −1 T T −1
Y1 1 − ρ 2 = β 0 1 − ρ 2 + β1 1 − ρ 2 X 11 + + β k 1 − ρ 2 X k1 + 1 − ρ 2 ε 1
Para t=2,3,…T
Yt − ρ Yt −1 = β o (1 − ρ ) + β1 ( X 1t − ρX 1t −1 ) + ....... + β k ( X kt − ρX kt −1 ) + (ε t − ρε t −1 )
Yt − ρ Yt −1 = β o (1 − ρ ) + β1 ( X 1t − ρX 1t −1 ) + ....... + β k ( X kt − ρX kt −1 ) + (ε t − ρε t −1 )
38
Econometría II Curso 2015-16
Los estimadores que se obtienen se denominan estimadores factibles. Las propiedades del
estimador factible dependen de si la estructura que se ha supuesto para las perturbaciones es
correcta o no. Por ello es importante comprobar si las perturbaciones de dicho modelo están
o no autocorrelacionadas utilizando el test de Breusch-Godfrey. Si no presentan
autocorrelación entonces el estimador factible tiene buenas propiedades asintóticas
(consistente, asintóticamente eficiente y la distribución asintótica es una normal), aunque se
desconocen las propiedades finitas. Si la estructura que hemos supuesto para las
perturbaciones es incorrecta (la perturbación del modelo resultante no cumple las hipótesis
clásicas), el estimador factible ni siquiera tiene estas propiedades.
Volviendo a nuestro EJEMPLO2, estimamos suponiendo un esquema AR(1) obteniendo el
estimador factible:
Vemos si la perturbación de este modelo cumple las hipótesis clásicas con el test de B-G
con un retardo:
Como vemos no se rechaza la hipótesis nula lo cual indica que el estimador factible es
consistente y asintóticamente eficiente y los test de hipótesis son válidos asintóticamente.
presentarían estimaciones consistentes de sus varianzas que podríamos utilizar para realizar
inferencia, siempre de forma asintótica.
La estimación con Eviews8 del EJEMPLO2 nos proporciona los siguientes resultados:
2.5.- Predicción
~
Supongamos que hemos obtenido el estimador factible de los parámetros del modelo, β y
ρ̂ . A partir del modelo en diferencias generalizadas en el período T+1, podemos obtener:
~ ~
[ ~
]
Despejando ŶT +1 obtenemos el predictor: YˆT +1 = X 'T +1 β + ρˆ YT − X 'T β = X 'T +1 β + ρˆ e~T
Para el período T+2:
[ ] ~
YˆT + 2 − ρˆ YˆT +1 = X T' + 2 − ρˆX T' +1 β
[ ] ~ ~ ~ ~
YˆT + 2 = X T' + 2 − ρˆX T' +1 β + ρˆYˆT +1 = X 'T + 2 β + ρˆ 2 (YT − X 'T β ) = X 'T + 2 β + ρˆ 2 e~T
Generalizando para el período T+s:
~ ~ ~
YˆT + s = X 'T + s β + ρˆ s (YT − X 'T β ) = X 'T + s β + ρˆ s e~T
Analizar las propiedades de este predictor no es tarea sencilla, ya que depende de la
~
distribución conjunta de β y ρ̂ . Una aproximación de la desviación típica del error de
predicción se puede obtener, considerando que ρ es conocido.
41
Econometría Curso 2015-16
42
Econometría II Curso 2015-16
R*s
ρs =
•
Rs
Supongamos que Yt es una serie de tiempo que sigue un modelo autorregresivo de orden 1,
AR(1), es decir:
Yt φ Yt −1 + ut donde ut es un ruido blanco (variable aleatoria que cumple las hipótesis
=
clásicas) y φ es el parámetro a estimar (denotado como ρ en el tema de autocorrelación).
Imponemos la restricción de que φ < 1 denominada “condición de estabilidad del modelo”
o “condición de estacionariedad”.
Calculamos su FAS:
* E (Yt ) φ
= E (Yt −1 ) +
E (ε t )
(Yt −1 ) µ , por tanto µ = φµ ⇒ (1 − φ ) µ = 0
no lo conocemos 0
Si el proceso es estacionario = E (Yt ) E=
43
Econometría Curso 2015-16
2
∞ ∞
* γ 0 = Var (Yt ) = E (Yt ) = E ∑ φ τ ut −τ = ..... = ∑ φ 2τ σ u2 = σ u2 (1 + φ 2 + φ 4 + ... )
2
= τ 0= τ 0
σ u2
γ= Var (Y=
t) σ=
2
ε = γ0
1− φ2
o
* γ=
1 Cov (YtYt +1=
) E (YtYt +1=) E Yt (φYt + ut +1 )= φγ 0 puesto que E (Yt ut +1 ) = 0
γ 2 Cov (YtYt +=
*= 2) E (YtYt +=
2) φ E (YtYt +=
1) φγ
= 1 φ 2γ 0
En general:
γ s Cov (YtY=
*= t+s ) E (YtY=
t+s ) φ sγ 0 =
∀s 1, 2,...
γ S φ sγ O
ρ= Corr (YtYt +=
s) = = φs
s
γO γO
φ 0 1=
= s 0
Por tanto, ρ s = s
φ s = 1, 2,...
Correlogramas (FAS)
ϕ>0 ϕ<0
ρs ρs
s s
FAP
ρ=
1 ρ=
• 1 φ
ρ 2 − ρ12 φ 2 − φ 2
=ρ = = 0 Así :
1 − ρ12 1− φ2
2•
= ρ φ= s 1
ρs = 1
s≥2
•
0
Correlograma (FAP)
ϕ>0 ϕ<0
ρs • ρs•
s s
44
Econometría II Curso 2015-16
45
Econometría Curso 2015-16
(Yt ) σ u2 (1 + θ 2 )
γ o Var =
*=
=* γ 2 Cov
= (Yt , Yt +2 ) 0
γ s Cov (Yt , Yt=
*= +s ) 0 ∀s ≥ 2
Por lo tanto la FAS:
1 s=0
γs γ1 θ
ρs = = =− s =1
γo γo 1+θ 2
γs
=0 ∀s ≥ 2
γo
Correlograma (FAS)
<0 >0
ρs ρs
s s
FAP
θ
ρ1 = − s =1
1+θ 2
ρs =
ρ 2 − ρ1 − θ 2 1 − θ 2
2
=
( ) s=2
•
1 − ρ 12 (
1−θ 6 )
(
−θ s 1−θ 2 ) ∀s
( )
1 − θ 2 ( s +1 )
46
Econometría II Curso 2015-16
Correlograma (FAP)
<0 >0
ρs• ρs•
s s
47
Econometría Curso 2015-16
48
Econometría II Curso 2015-16
ARMA(1,1)
49
Econometría Curso 2015-16
wt = (1 L ) Yt =+
∆ 2Yt =− Yt Yt −2 − 2Yt −2
2
Y así sucesivamente.
Si la serie es no estacionaria en varianza se transformaría la serie tomando logaritmos o
realizando cualquier otra transformación de Box-Cox.
A estos procesos que han sufrido la transformación de diferenciarlos se les llama procesos
integrados. Así un proceso ARMA (p,q), definido sobre una serie que ha sido necesario
realizar “d” transformaciones para convertirlo en estacionario, se le llama proceso
ARIMA(p,d,q).
50
Econometría II Curso 2015-16
Yt − Yt −=
1 ut ⇒ (1 − L ) Y=t ut
1− L = 0 ⇒ L =1
En este caso se dice que tiene una raíz unitaria.
La varianza no es constante, ya que suponiendo que el proceso se inicia en un pasado
remoto, mediante sustituciones sucesivas, la variable Yt se puede expresar como:
∞
Yt = ∑ ut − j
j =1
Propiedades:
E (Yt ) = 0
( ) ( ) ( ) ( ) ( )
2 2 2 2
( ) ( )
2 2 2 2
Var Yt = E Yt = E Yt −1 + ut = E Yt −1 + Eut + 2 E Yt −1ut = E Yt −2 + 2σ = E Yt −n + nσ =
σ2 0
donde n tiende a ∞, por tanto el proceso no es estacionario porque la varianza aumenta
indefinidamente con el desfase temporal. De manera análoga, se obtendrían las
autocovarianzas y las autocorrelaciones, ambas dependerán del periodo t de referencia.
Sin embargo, si tomamos diferencias de primer orden en la serie:
Yt − Yt −1 = (1 − L ) Yt =∆Yt =wt =ut el proceso resultante, wt es ruido blanco que siempre
es estacionario.
A este tipo de procesos no estacionarios pero fácilmente convertibles en estacionarios al
tomar diferencias, se les llama integrados, ya que se pueden obtener sumando, o lo que es
lo mismo integrando, el proceso estacionario:
Yt = wt + Yt −1 = wt + wt −1 + Yt −2 = wt + wt −1 + wt −2 + wt −3 +
Es por ello por lo que se dice que el camino aleatorio pertenece a la clase de modelos
integrados. En concreto, si hemos tomado una diferencia para convertirlo en estacionario,
se dice que es un proceso integrado de orden 1: I(1), si fuesen necesarias dos diferencias
sería un proceso I(2) y así sucesivamente.
Métodos para determinar la estructura estacionaria
Para determinar la transformación adecuada para conseguir una serie estacionaria se
utilizan:
• Gráfico de la serie: consiste en analizar si la serie tiene o no tendencia así como si
tiene o no componente estacional y si la variabilidad es o no constante.
51
Econometría Curso 2015-16
∆Yt = c + δ Yt −1 + ut
Así, las hipótesis son:
Ho: δ = 0 (⇒ φ = 1) o lo que es lo mismo ∆Yt = ut ⇒ I (1) ⇒ paseo aleatorio
∆Yt = c + βt + δ Yt −1 + ε t
Nuevamente, el contraste es el mismo que en el caso anterior y el estadístico del contraste es el estadístico t
habitual pero con una distribución especial bajo la nula (Dickey-Fuller con constante y tendencia).
52
Econometría II Curso 2015-16
60
50
40
30
20
25 50 75 100 125 150 175 200
4.0
3.8
3.6
3.4
3.2
3.0
25 50 75 100 125 150 175 200
53
Econometría Curso 2015-16
t-Statistic Prob.*
-4
-8
25 50 75 100 125 150 175 200
54
Econometría II Curso 2015-16
t-Statistic Prob.*
∑ (Y − Y ) (Y
t t −s −Y )
rs = t = s +1
T
∑ (Y − Y )
2
t
t =1
55
Econometría Curso 2015-16
Ho : ρs = 0 ∀s > q
H1 : ρ s ≠ 0
( ) (
p −1,96 ≤ T rs ≤ 1,96 = p −1,96 / T ≤ rs ≤ 1,96 / T ≅ 0,95 )
N(0,1)
0.025
0.95 0.025
-1,96 0 1,96
Por tanto, para un nivel de significación del 5%, las bandas de confianza vendrán dadas
[
aproximadamente por: − 2 1 / T , 2 1 / T 16 ]
Si la serie es ruido blanco, cabe esperar que las correlaciones tomen valores muy
próximos a cero y la mayoría (al menos el 95%) estén dentro de las bandas ±2/ T .
16
Estrictamente el intervalo no es el mismo para la FASE que para la FAPE. Para la FASE el intervalo no es
constante sino que aumenta con el retardo y si lo es para la FAPE. Sin embargo, lo tomamos constante como
lo plantea Eviews porque las diferencias no son muy relevantes.
56
Econometría II Curso 2015-16
cuya distribución asintótica, bajo los supuestos anteriores, es una Chi-cuadrado con m
grados de libertad. La realización del contraste es sencilla:
χ10
2
0.05
0.95
Tal que si el valor muestral del estadístico es superior a 18.3 cae en la región crítica y por
tanto rechazamos la hipótesis de incorrelación conjunta ⇒ la serie no es ruido blanco. Sin
embargo, si es menor que 18.3 cae en la región de aceptación y por tanto no rechazamos la
Ho ⇒ que la hipótesis de ruido blanco es plausible.
57
Econometría Curso 2015-16
MA(1)
58
Econometría II Curso 2015-16
AR(1)
Las funciones de autocorrelación y autocorrelación parcial son muy similares, los dos
primeros coeficientes sobresalen las bandas por lo que se podrían plantearen principio, los
siguientes modelos: AR(2), MA(2), o incluso un ARMA
59
Econometría Curso 2015-16
60
Econometría II Curso 2015-16
VALIDACIÓN
A) Análisis de los residuos: analizamos la representación gráfica así como su
correlograma y el estadístico Q que estudia la autocorrelación:
61
Econometría Curso 2015-16
12
-4
-8
25 50 75 100 125 150 175 200
D(CONFIANZA) Residuals
A partir del correlograma (todas las correlaciones caen dentro de las bandas) y el
estadístico Q que no rechaza la Ho para cualquier retardo, se detecta que los residuos se
comportan como un ruido blanco. Los errores se mueven alrededor de cero aunque con
algunos valores un poco elevados, especialmente los referentes a la observación 90 y en
menor medida la 111 y la 79. Por lo que se podría estimar el modelo incluyendo unas tres
ficticias que recojan esos valores atípicos, dando el siguiente resultado:
62
Econometría II Curso 2015-16
25
Series: Residuals
Sample 4 211
20 Observations 208
Mean -2.95e-13
15 Median -0.068180
Maximum 6.082511
Minimum -5.729232
10 Std. Dev. 2.295566
Skewness 0.015437
Kurtosis 3.064210
5
Jarque-Bera 0.043993
Probability 0.978244
0
-6 -4 -2 0 2 4 6
-2
-4
-6
25 50 75 100 125 150 175 200
D(CONFIANZA) Residuals
63
Econometría Curso 2015-16
Análisis de residuos:
-2
-4
-6
25 50 75 100 125 150 175 200
D(CONFIANZA) Residuals
30
Series: Residuals
Sample 2 211
25
Observations 210
20 Mean 0.006305
Median 0.045557
Maximum 6.256105
15
Minimum -5.867719
Std. Dev. 2.302239
10 Skewness -0.003684
Kurtosis 3.102683
5
Jarque-Bera 0.092734
Probability 0.954692
0
-6 -4 -2 0 2 4 6
Los residuos se distribuyen como una normal y también se comportan como un ruido
blanco
Análisis de coeficientes: Todas las variables son significativas individualmente a excepción
del coeficiente MA(2)
64
Econometría II Curso 2015-16
65
Econometría Curso 2015-16
En este último modelo los coeficientes son significativos y los criterios de información
mejoran. Por tanto analizamos en este modelo los residuos:
66
Econometría II Curso 2015-16
Llamando X t' al vector fila que recoge las observaciones de todos los regresores en el
momento t: X t' =(1 X1t X2t ... Xkt) la matriz ΣXX sería la siguiente:
1 1 E ( X 1t ) E ( X kt )
Σ XX ( )
= E Xt Xt = E
'
X 1t
(1 X 1t
X kt ) =
E ( X 1t ) ( )
E X 1t 2
E ( X 1t X kt )
X kt
E ( X kt ) E ( X 1t X kt ) ( )
2
E X kt
A esta matriz se le llama también matriz de momentos contemporáneos por estar referida a
un mismo periodo t.
En esta situación se cumplen las siguientes propiedades:
ε 'ε
• plim =σ2
T
−1
X'X X'X
• plim = Σ XX finita y no singular ( plim = Σ −XX1 ).
T T
67
Econometría Curso 2015-16
β̂ = (X’X)-1X’Y = β + (X’X)-1X’ε
68
Econometría II Curso 2015-16
=σ2I
b) Si las variables explicativas son contemporáneamente exógenas no tiene sentido
hablar de eficiencia pues el estimador es sesgado.
4) Consistencia
−1
X'X X 'ε X 'ε
p lim βˆ = β + p lim( X ' X ) −1 X ' ε = β + p lim p lim = β + Σ −XX1 * p lim
T T T
X 'ε
El estimador será consistente si el p lim =0
T
1 1 1 ε 1 ∑ ε t E (ε t ) 0
X 'ε 1 X 11 X 12 X 1T ε 2 1 ∑ ε t X 1t E (ε t X 1t ) 0
p lim
T
= p lim
T
= p lim
T = =
X X kT ε T ∑ ε X E (ε X ) 0
k1 X k2 t kt t kt
Esto se cumplirá si E (ε t ) =0 y, por lo menos, las variables explicativas son
contemporáneamente exógenas, pues en este caso cov(ε t X jt ) = 0 = E (ε t X jt ) . En definitiva,
no hace falta la exogeneidad estricta para que el estimador sea consistente, aunque si se da,
por supuesto, también lo será.
Propiedades del estimador S 2
1) Insesgadez
El S2 es insesgado sólo si se da la exogeneidad estricta.
2) Consistencia
El S2 es consistente si se da la exogeneidad estricta o la contemporánea.
Distribución de los EMCO
Estrictamente la distribución exacta de β̂ no se conoce ya que depende no sólo de la
distribución de ε que podemos seguir considerando Normal, sino también de la de X que es
desconocida. Además, β̂ no es lineal en Y y por tanto, β̂ no sigue una distribución normal.
69
Econometría Curso 2015-16
Los estadísticos que contrastan las restricciones lineales, tanto individuales como conjuntas,
no siguen una distribución exacta conocida, en concreto no siguen una t ni una F
respectivamente.
Sin embargo, Wooldridge establece que, si los regresores son estrictamente exógenos, la
distribución de β̂ condicionada a X es normal y, por tanto, los estadísticos t y F son válidos
si hablamos de distribuciones condicionadas. En cambio, si los regresores son
contemporáneamente exógenos las distribuciones finitas no son válidas y tendremos que
recurrir a las asintóticas.
( )
−1
X ' X
Recordemos que → N 0, σ p lim
T β −β
ˆ a 2
T
Esto implica que su distribución asintótica nos va a permitir justificar el uso de las
distribuciones habituales, aunque sólo tendrán validez de forma aproximada. En este
sentido, también podríamos utilizar los contrastes asintóticos de Wald, LM o RV.
Resumen:
A) Si los regresores son estrictamente exógenos los resultados son muy similares a los
del MRLC pero condicionado todo por X.
• β̂ es insesgado, eficiente y consistente y coincide con el estimador de MV.
• S2 es insesgado y consistente.
• Hablando de distribuciones condicionadas a X los test de hipótesis son válidos para
muestras finitas y no es necesario recurrir a la teoría asintótica.
B) Si los regresores son sólo contemporáneamente exógenos
• β̂ es sesgado, y, por tanto, no eficiente (ni óptimo), pero sí es consistente.
• S2 es sesgado pero consistente.
• Como S2 es sesgado entonces S βˆβˆ = S 2 ( X ' X ) −1 es sesgado, pero su utilización está
justificada en base a la distribución asintótica.
• Los contrastes son válidos asintóticamente.
• Hay que recurrir al comportamiento asintótico de los estimadores y contrastes.
C) Cuando ni siquiera se cumple la exogeneidad contemporánea, la estimación de MCO no
es válida porque no se cumple ninguna propiedad. En este caso, hay que recurrir a otro
método de estimación que se denomina de Variables Instrumentales.
• β̂ es sesgado e inconsistente.
• S2 es sesgado e inconsistente.
• No disponemos de una distribución asintótica, a partir del EMCO, para aproximar la
distribución exacta de los estadísticos cuando T tiende a infinito.
70
Econometría II Curso 2015-16
Este método consiste en encontrar una matriz de variables, Z, tales que cumplan los
requisitos siguientes:
• Las variables Z están incorrelacionadas con las perturbaciones, es decir,
Z 'ε
p lim =0
T
• Las variables Z están fuertemente correlacionadas con las variables X, es decir,
Z' X
p lim = Σ ZX finita y no singular
T
Z'Z
• Las variables Z tienen buenas propiedades en el límite, es decir, p lim = Σ ZZ .
T
A estas variables Z1,...,Zk se las llama instrumentos o variables instrumentales.
Nota: Si algún regresor no está correlacionado con las perturbaciones puede utilizarse él
mismo como variable instrumental.
El estimador de variables instrumentales se define como:
βˆVI = (Z ' X )−1 Z ' Y = β + (Z ' X )−1 Z ' ε
Propiedades
• No es lineal en Y pues también depende de X y de Z (que son aleatorias).
• No es insesgado: X no es ni contemporáneamente exógena por lo que E (ε / X ) ≠ 0
y E ( βˆ ) ≠ β .
• Por lo anterior, no es eficiente ni óptimo.
−1
Z' X Z 'ε
• Es consistente: p lim βˆVI = p lim β + p lim p lim = β + Σ −ZX1 0 = β
T T
• Distribución asintótica: ( )
T βˆVI − β
→
a
N (0, VVI )
Yt * = β 0 + β1 X t* + ε t + vt − β1u t ⇒ Yt * = β 0 + β1 X t* + wt ⇒ wt = ε t + vt − β1u t
wt
E (wt ) = E (ε t + vt − β 1u t ) = 0
[( )
Cov( X t* , wt ) = E ( X t* , wt ) = E X t + u t (ε t + vt − β 1u t ) = ]
( ) ( )
E ( X t ε t ) + E ( X t vt ) − β 1 E ( X t u t ) + E (u t ε t ) + E (u t vt ) − β 1 E u t2 = − β 1 E u t2 = − β 1σ u2 ≠ 0
Por lo tanto, los estimadores de MCO son sesgados e inconsistentes y habría que utilizar el
método de variables instrumentales para obtener estimadores consistentes. Por otra parte, si
el error en los datos sólo afectase a la variable Y, no surgiría el problema anterior.
72
Econometría II Curso 2015-16
X 'ε
Bajo la hipótesis nula H 0 : p lim = 0 , tanto β̂ MCO como β̂ VI son consistentes, sin
T
X 'ε
embargo, bajo la alternativa H 1 : p lim ≠ 0 , sólo lo es β̂ VI . Si la hipótesis nula es
T
( ) ( )
cierta entonces p lim βˆ MCO − βˆVI = 0 y el valor de βˆ MCO − βˆVI debería ser pequeño; al
contrario, si la hipótesis nula no es cierta.
El estadístico de Hausman se define, bajo la H0 , como:
(
H Hausman = T βˆ MCO − βˆVI ) [Vˆ
'
VI − VˆMCO ] (βˆ
−1
MCO )
− βˆVI
→
a
χ H2
donde H es el número de regresores que se quiere ver si son o no exógenos, VˆVI y VˆMCO son
−1 −1
2 Z' X Z'Z X 'Z
estimadores consistentes de VVI y de VMCO, es decir, VˆVI = σˆ
T T T
−1
X ' X
y VˆMCO = σˆ y σ̂ 2 el estimador consistente de σ utilizando el estimador de
2 2
T
VI para obtener los residuos.
Si el valor del estadístico de Hausman supera el valor crítico se rechaza la H0 de que no hay
correlación entre los regresores y la perturbación; en caso contrario, se acepta la no
existencia de correlación entre los regresores y la perturbación.
Este contraste se puede realizar también a partir de una serie de regresiones auxiliares:
1) Realizar la regresión de las variables que posiblemente sean endógenas sobre los
instrumentos y las exógenas del modelo y quedarnos o bien con los residuos o con el
valor estimado.
2) Introducir en la regresión original los valores estimados (o los residuos) y contrastar si
son o no significativos, de modo que si no lo son aceptaríamos la H0 y si lo son la
rechazaríamos.
73
Econometría Curso 2015-16
74
Econometría II Curso 2015-16
Los modelos estudiados hasta ahora eran modelos estáticos en los que todas las variables
estaban referidas al mismo periodo de tiempo. Estos modelos se plantean cuando se
considera que un cambio en X en el momento t ejerce un efecto inmediato en Y.
Sin embargo, la Teoría Económica sugiere que, en muchos casos, las relaciones entre las
variables son dinámicas, de forma que el efecto de una variable X j sobre Y no tiene por
qué ser instantáneo y se puede distribuir en distintos periodos de tiempo.
Vamos a distinguir dos tipos de modelos dinámicos:
a) Modelos autorregresivos.
b) Modelos de retardos distribuidos.
Nota: En este tema vamos a utilizar frecuentemente el llamado operador de retardo (que se
denota por L o B) y que retarda la variable a la que acompaña del siguiente modo:
Ls X t = X t − s
De esta forma: LX t = X t −1 ; L2 X t = X t − 2 ; Ls X t = X t − s ; (1 − L) X t = X t − X t −1 .
Son aquellos en los que se plantea como regresor la variable endógena retardada en algún
periodo de tiempo. Un ejemplo sería: Yt = β 0 + β 1 X t + β 2Yt −1 + ε t
Este tipo de modelos son estocásticos ya que la variable Yt-1 es aleatoria. Además, no
podemos considerar que los regresores sean estrictamente exógenos ya que podemos
comprobar que Yt-1 estará relacionada con ε t −1 , ε t − 2 ,.... . Por tanto, no se va a cumplir que
E(εt | X)=0 ∀ t=1,...,T
Sin embargo, si εt cumple las hipótesis clásicas, podemos aceptar la exogeneidad
X 'ε
( )
contemporánea, de tal forma que E ε t | X t' = 0 y se cumple que p lim
T
= 0 . Los
EMCO son sesgados y no eficientes, pero son consistentes y las distribuciones asintóticas
son válidas, es decir, los resultados habituales de inferencia estadística son válidos
asintóticamente.
Si εt está autocorrelacionada, ni siquiera se cumpliría el supuesto de regresores
X 'ε
contemporáneamente exógenos, p lim ≠ 0 y, por tanto, el EMCO no tiene ninguna
T
propiedad y la inferencia no es válida ni asintóticamente. El estimador consistente será el de
Variables Instrumentales donde podríamos tomar como instrumento de Yt-1 a Xt-1.
En la práctica, cuando nos encontremos con un modelo autorregresivo lo que hay que
analizar, en principio, es si la perturbación está autocorrelacionada o no (con el contraste de
la h de Durbin el de Breusch-Godfrey) y si existe relación contemporánea entre los
regresores y la variable endógena (con el contraste de Hausman).
75
Econometría Curso 2015-16
λX t λ
⇒ Et X t +1 = = Xt
(1 − L + λL ) (1 − L + λL)
λ
Sustituyendo en el modelo: Yt = β 0 + β1 Xt + εt
(1 − L + λL )
Y, finalmente: Yt = λβ 0 + β 1λX t + (1 − λ )Yt −1 + vt donde vt = ε t − (1 − λ )ε t −1
El modelo resultante es un modelo autorregresivo y por lo tanto, a la hora de elegir el
método más adecuado para estimar sus parámetros, habrá que analizar si vt presenta
autocorrelación o no y realizar el test de Hausman.
Modelo de ajuste parcial
Estos modelos plantean que hay situaciones en que la relación entre variables no se ajusta
de forma inmediata en un periodo t, sino que tarda un tiempo (un periodo de ajuste).
Ejemplo: Supongamos que queremos estudiar el nivel “deseado” de capital en una
( )
economía Yt* en función del nivel de producto (Xt):
Yt* = β 0 + β1 X t + ε t
Y que se especifica el siguiente mecanismo por el que el nivel de stock de capital
observado se ajusta al nivel deseado (modelo de ajuste parcial: el stock observado varía de
un periodo a otro en una proporción de su distancia respecto al stock deseado):
Yt − Yt −1 = δ (Yt* − Yt −1 ) con 0 < δ <1
76
Econometría II Curso 2015-16
( )
Sustituyendo Yt* en el modelo: Yt* = Yt −
δ
1 (1 − δ )
δ
Yt −1 = β 0 + β1 X t + ε t
No se rechaza la hipótesis nula lo cual implica que no existe autocorrelación y por tanto la
estimación MCO es adecuada porque nos proporciona estimadores consistentes y los test
de hipótesis son válidos asintóticamente.
Son aquellos en los que una o más variables exógenas influyen en la variable endógena con
algún retardo. Son modelos del tipo:
Yt = β 0 + β1 X 1t + β 2 X 1t −1 + β 3 X 1t − 2 + ... + ε t
77
Econometría Curso 2015-16
∞
2) Modelos con estructura infinita de retardos: Yt = α + ∑ β i X t −i + ε t
i =0
78
Econometría II Curso 2015-16
βi
En modelos de retardos distribuidos finitos β i* = n
∑ βi
i =0
βi
En modelos con infinitos retardos β i* = ∞
∑ βi
i =0
79
Econometría Curso 2015-16
En definitiva, consiste en imponer restricciones sobre los n+1 coeficientes del retardo y
el problema radica en estimar el modelo con retardos finitos sujeto a la restricción de
que los coeficientes de retardo siguen una distribución polinomial.
Por tanto, introduciendo las restricciones en el modelo:
( )
n n n n
Yt = α + ∑ a 0 + a1i + a 2 i 2 X t −i + ε t = α + a 0 ∑ X t −i + a1 ∑ iX t −i + a 2 ∑ i 2 X t −i + ε t
i =0
i =0
i =0
i =0
Z0t Z1 t Z2t
Yt = α + a 0 Z 0t + a1 Z 1t + a 2 Z 2t + ε t
αˆ = αˆ
βˆ 0 = aˆ 0
βˆ1 = aˆ 0 + aˆ1 + aˆ 2
βˆ 2 = aˆ 0 + aˆ1 2 + aˆ 2 2 2
....................................................
βˆ n = aˆ 0 + aˆ1n + aˆ 2 n 2
17
Nota: en la estimación con Eviews éste centra el polinomio de modo que:
n
si n es par
β i = a 0 + a1 (i − c ) + a 2 (i − c )2 + ... + a m (i − c )m siendo c = 2
n -1
si n es impar
2
80
Econometría II Curso 2015-16
Modelo 1:
Sin embargo, la influencia del MIBOR sobre los tipos de interés de préstamos hipotecarios
no es instantánea sino que se traslada a lo largo de una serie de periodos, por lo que se
plantea una especificación dinámica donde se suponga que el efecto se podría dilatar a lo
largo de un año como máximo. En base a este criterio, seleccionamos en primer lugar, el
nº de retardos más adecuado analizando el modelo resultante (Modelo 2).
Nº Retardos 4 5 6 7 8 9 10 11 12
R 2 99,35 99,42 99,52 99,55 99,56 99,50 99,49 99,48 99,49
Modelo 2 18:
18
Se deja para los alumnos realicen las estimaciones con otros retardos.
81
Econometría Curso 2015-16
Matriz de correlaciones
Mibor Mibor(-1) Mibor(-2) Mibor(-3) Mibor(-4) Mibor(-5) Mibor(-6) Mibor(-7) Mibor(-8)
Mibor 1 0,9767 0,9351 0,884 0,8324 0,7725 0,7198 0,6781 0,6545
Mibor(-1) 0,9767 1 0,9777 0,9407 0,8996 0,8540 0,8064 0,7615 0,7356
Mibor(-2) 0,9351 0,9777 1 0,9808 0,9494 0,9120 0,8798 0,8410 0,8118
Mibor(-3) 0,884 0,9407 0,9808 1 0,9815 0,9514 0,9268 0,9017 0,8762
Mibor(-4) 0,8324 0,8996 0,9494 0,9815 1 0,9826 0,9573 0,9349 0,9180
Mibor(-5) 0,7725 0,8540 0,9120 0,9514 0,9826 1 0,9822 0,9570 0,9403
Mibor(-6) 0,7198 0,8064 0,8798 0,9268 0,9573 0,9822 1 0,9836 0,9633
Mibor(-7) 0,6781 0,7615 0,8410 0,9017 0,9349 0,9570 0,9836 1 0,9873
Mibor(-8) 0,6545 0,7356 0,8118 0,8762 0,9180 0,9403 0,9633 0,9873 1
Para m=1 y 2
Modelo 3 y 4
82
Econometría II Curso 2015-16
Selección:
m R2 LM
(P-valor)
1 0,9939 2,31
Modelo 3 (0,1284)
2 0,9937 2,372
Modelo 4 (0,1235)
3 0,995 0,4496
Modelo 5 (0,5025)
En ninguno de ellos hay autocorrelación. Sin embargo para m=2 y m=3 algunos
coeficientes de retardo no son significativos (el 7 para m=2 y el 5 y 6 para m=3).Los
coeficientes de determinación corregidos son muy parecidos aunque, estrictamente, el
mayor es el correspondiente al modelo con m=3. Sin embargo, en base a la significación
de las variables seleccionamos m=1.
A partir de este último modelo estimado, analizamos:
a) ¿Cuál sería el cambio inmediato que se produciría en los tipos de interés de préstamos
hipotecarios como consecuencia de un aumento de una unidad en el MIBOR en un mes
concreto? ¿Y el cambio un año después del aumento del MIBOR?
• Cambio inmediato en los tipos de interés de préstamos hipotecarios ante un
aumento de una unidad en el MIBOR en un mes concreto: Multiplicador a C/P:
β̂ 0 =0,19658.
• Cambio un año después: No hay efecto: β̂12 =0
83
Econometría Curso 2015-16
4 5
∑ βˆi 0,74867 ∑ βˆ i
0,82814
i =0
7
= = 0,81659 y i =0
7
= = 0,9033
∑ ∑ βˆ
0,91682 0,91682
βˆ
i i
i =0 i =0
Obviamente, aún suponiendo que cumple las hipótesis clásicas, la estimación sin
restricciones de este modelo no es posible ya que necesitaríamos estimar infinitos
parámetros con una muestra siempre finita.
La forma de proceder en estos casos es establecer alguna hipótesis sobre los coeficientes de
retardo de modo que podamos reducir su número. Koyck propuso que los coeficientes de
retardo, aunque infinitos, decrecían en progresión geométrica de la forma: β i = βλ i con
0 < λ < 1 para i=0,1,...
Introduciendo las restricciones, el modelo quedaría
( )
∞
Yt = α + ∑ βλ i X t −i + ε t ⇔ Yt = α + β X t + λX t −1 + λ 2 X t − 2 + ... + ε t
i =0
y despejando Yt :
Yt = α (1 − λ ) + βX t + λYt −1 + ε t − λε t −1 ⇔ Yt = α + βX t + λYt −1 + v t
*
α* vt
El modelo resultante es un modelo autorregresivo por lo que habrá que analizar si sus
perturbaciones están o no autocorrelacionadas y realizar el test de Hausman para elegir el
método de estimación adecuado.
84
Econometría II Curso 2015-16
Una vez obtenidos los estimadores más adecuados para α*, β y λ y teniendo en cuenta que
β i = βλ i y que α * = α (1 − λ ) , podemos calcular los estimadores de los parámetros del
αˆ *
modelo original: βˆi = βˆ λˆ i y αˆ = .
1 − λˆ
Retomamos el EJEMPLO4, y planteamos, en segundo lugar, una estructura infinita de
retardos suponiendo que los parámetros decrecen en progresión geométrica (estructura de
Koyck para los parámetros) (Modelo 6).
Modelo 6:
En este modelo sigue existiendo autocorrelación por lo que los estimadores son
inconsistentes y por tanto el método de estimación no es válido.
Una alternativa a esta estimación sería el método de variables instrumentales, tomando
como instrumento de IRPHBCOS(-1) la variable MIBOR(-1). Este método nos permite
obtener estimadores consistentes y los test de hipótesis serían válidos asintóticamente.
Modelo 7:
85
Econometría Curso 2015-16
El residuo es significativo, se rechaza la hipótesis nula del test de Hausman y por tanto la
estimación adecuada sería la de VI.
86
Econometría II Curso 2015-16
Los modelos analizados en los temas anteriores eran modelos uniecuacionales, es decir,
modelos que recogían la relación causa-efecto que existía entre una variable endógena (Y)
y un conjunto de variables exógenas (X).
Este planteamiento no es, sin embargo, el más adecuado para modelizar la interdependencia
que existe entre las variables económicas ya que la cadena causal entre ellas no siempre es
unidireccional, es decir, una variable puede ser a la vez causa y efecto. Por ello, para
modelizar este tipo de relaciones es necesario recurrir a estructuras más complejas, como
los llamados modelos de ecuaciones simultáneas o modelos multiecuacionales.
Se trata de modelos formados por más de una ecuación y en los que variables que son
explicadas en alguna de las ecuaciones, pueden aparecer como explicativas en otra u otras.
El caso más sencillo es un modelo de dos ecuaciones. Por ejemplo:
Y1t = γ 21Y2t + β 11 X 1t + β 21 X 2t + u1t
t=1,2,…T
Y2t = γ 12Y1t + β 32 X 3t + u 2t
En él se explica el comportamiento de dos variables endógenas (Y1 e Y2) a partir de tres
variables predeterminadas (X1, X2 y X3). En la primera ecuación la variable endógena Y1 se
modeliza como función de las variables predeterminadas X1 y X2 y de la endógena Y2 que
en esta ecuación aparece como explicativa. De la misma forma, la variable endógena Y1 se
incluye, en la segunda ecuación, como una variable explicativa. Ambas ecuaciones no se
pueden considerar por separado, porque las relaciones se producen simultáneamente.
Además Y1t aparece en la segunda ecuación como explicativa, pero por la primera
ecuación es función de Y2t que a su vez depende de u2t, de modo que Y1t es función de u2t,
por lo tanto Y1t no es contemporáneamente exógena, y lo mismo ocurre con Y2t. También es
absurdo plantearnos en este tipo de modelos la hipótesis de que las perturbaciones u1t y u2t
están incorrelacionadas, ya que, por ejemplo, u1t = f (Y1t , Y2t ) pero Y2t = f (u 2t ) .
Especificación de un modelo lineal de ecuaciones simultáneas
Un modelo lineal multiecuacional para el periodo t puede especificarse mediante un sistema
de g ecuaciones en las que aparecen g variables endógenas (Y1 , Y2 ,..., Yg ) y k variables
predeterminadas ( X 1 , X 2 ,..., X k ) .
γ 11Y1t + γ 21Y2t + ... + γ g1Ygt + β11 X 1t + β 21 X 2t + ... + β k1 X kt + u1t = 0
γ 12Y1t + γ 22Y2t + ... + γ g 2Ygt + β12 X 1t + β 22 X 2t + ... + β k 2 X kt + u 2t = 0
γ 1g Y1t + γ 2 g Y2t + ... + γ gg Ygt + β1g X 1t + β 2 g X 2t + ... + β kg X kt + u gt = 0
Matricialmente el sistema, para el periodo o la observación t, se puede expresar:
Yt ' Γ + X t' β + u t' = 0
Yt ' Γ + X t' β + u t' = 0 ⇒ Yt ' Γ = − X t' β − u t' ⇒ Yt ' = − X t' β Γ −1 − u t' Γ −1 ⇒ Yt ' = X t' Π + vt'
π 11 π 12 π 1g
π 21 π 22 π 2g
Π= vt' = (v1t , v 2t ,..., v gt )
π
k1 π k 2 π kg
88
Econometría II Curso 2015-16
v1' v11 v 21 v g1
'
v v12 v 22 vg 2
v= 2=
v' v v 2T v gT
T 1T
Hipótesis del modelo de ecuaciones simultáneas
Para la forma estructural del modelo:
( )
1) E u t' = 0 ∀t
E (u u ) = (0 0 )
1t gt
2) E [u u ] = Σ
t
'
t ∀ t siendo Σ una matriz simétrica y definida positiva
En el resto de elementos: E (u1t u 2t ) = σ 12 para todo t, lo que significa que las perturbaciones
de la ecuación 1 y 2 están correlacionadas para el mismo instante de tiempo y la correlación
es la misma para cualquier instante de tiempo:
E (u1t u 2t ) = E (u11u 21 ) = E (u12 u 22 ) = ... = E (u1T u 2T ) = σ 12 y lo mismo ocurre con el resto de
ecuaciones. Es decir, existe correlación contemporánea entre las perturbaciones de dos
ecuaciones y no cambia al cambiar el instante de tiempo considerado.
[
3) E u t u s' = 0 ] ∀ t≠s
4) u t → N (0, Σ ) ∀t
5) Las variables predeterminadas (Xt) no son aleatorias, o si lo son, serán estrictamente
exógenas o contemporáneamente exógenas.
6) La matriz Γ no es singular, es decir, Γ ≠ 0 .
89
Econometría Curso 2015-16
Además las perturbaciones en la forma reducida ( vt ) tienen las mismas características que
las vistas para las perturbaciones en la forma estructural.
90
Econometría II Curso 2015-16
91
Econometría Curso 2015-16
Condición de rango:
1 0 − β1 − β0 0 0
1 −α 2 0
=A 0 1 −α1 −α 0 −α 2 0 A* =
−1 −1 1 −1 0 −1
0 0 −1
2ª Ecuación:
Condición de orden:
g 2 = 1
g 2 + k2 = 2 = g − 1 = 2 ⇒ La ecuación puede estar exactamente identificada
k2 = 1
Condición de rango:
1 0
A* = ⇒ rg ( A* ) = 2 = g − 1 = 2 ⇒ La segunda ecuación esta exactamente
−1 −1
identificada
2) Variables Instrumentales
93
Econometría Curso 2015-16
94
Econometría II Curso 2015-16
eso, a estos modelos se les conoce con el nombre de modelos de elasticidad constante.
De esta manera, si el resultado de la estimación anterior fuese, por ejemplo, el siguiente:
( )
ln Yˆt =
−0,85 + 0,74 ln X 1t la elasticidad del gasto sería 0,74, es decir, si la renta aumenta en
un 1%, el gasto aumentaría en un 0,74%. Al ser el coeficiente menor que 1 se dice que la
variación % de Y ∆Y Y Y
19
=
Recordemos que la elasticidad (E) se define como: E = = pendiente
variación % de X ∆X X X
95
Econometría Curso 2015-16
demanda es inelástica, es decir, el gasto aumenta en una proporción menor que la renta. Si
fuese mayor que 1 se dice que es elástica.
Un modelo económico típico de modelo lineal en logaritmos es la función de producción de
Cobb-Douglas: Qt = AK tβ1 Lβt 2 eε t
ln Qt =ln A + β1 K t + β 2 Lt + ε t
Se estima el modelo transformado y una vez conocidos los estimadores, se deshacen los
cambios para calcular los estimadores de los parámetros del modelo original si fuese
necesario.
Por otro lado, si en lo que estamos interesados es en estudiar modelos de crecimiento, en
nuestro ejemplo, en medir la tasa de crecimiento del gasto en función de la renta,
utilizaríamos los modelos semilogarítmicos donde solo la variable endógena está en
logaritmos: ln Yi = β o + β1 X 1i + ε i donde el coeficiente β1 mide la variación porcentual de
Y para determinada variación absoluta de X.
Finalmente, si estamos interesados en analizar cómo se comporta el gasto cuando la renta
aumenta en un determinado porcentaje, el modelo sería: Yi = β o + β1 ln X 1i + ε i donde el
coeficiente β1 mide la variación absoluta de Y para una variación porcentual de X.
96
Econometría II Curso 2015-16
( )
T T 2
β
La suma de los cuadrados de los residuos se expresa así: SCR= ∑ et = ∑ Yt − βˆo − X t 1
2 ˆ
=t 1 =t 1
Derivando la anterior expresión con respecto a cada uno de los parámetros e igualando a
cero, obtenemos:
∂SCR
( )
T
−2∑ Yt − βˆo − X t β1 =
ˆ
= 0
βˆ
o t =1
∂SCR
( )
T
−2∑ Yt − βˆo − X t β1 X tβ1 ln X t =
ˆ ˆ
= 0
βˆ
1 t =1
T T
∑ Y=t βˆo + ∑ X t β1
ˆ
1 t =1
T T T
∑ Yt X t β1 ln X t βˆo ∑ X t β1 ln X t + ∑ X t 2 β1 ln X t
ˆ ˆ ˆ
=
1 =t 1 =t 1
Como podemos comprobar, las ecuaciones no son lineales ya que presentan parámetros a
ambos lados de las igualdades.
Un ejemplo de este tipo de modelos en Economía es la función de Consumo Agregado:
Ct = β o + β1Yt β2 + ε t
97
Econometría Curso 2015-16
Algoritmo de Newton-Raphson
∂SCR ( β ) ∂ SCR ( β )
2
cuadrados de los residuos evaluada en el valor inicial y y la primera y
∂β ∂β ∂β ′
segunda derivada de la suma residual, respectivamente, evaluados en βˆ o .
Donde βˆ 1 constituye la matriz de orden Kx1 de los nuevos valores de los estimadores MCO
para la primera aproximación lineal de la regresión.
Siempre que exista dicha inversa, este procedimiento se repite de forma iterativa hasta
alcanzar un vector de estimadores que satisfaga los criterios de convergencia. En concreto
para m linealizaciones, la expresión del estimador será:
−1
∂SCR ( β ) ∂ 2 SCR ( β )
βˆ
= m
βˆ m −1
−
∂β
∂β ∂β ′
β = βˆ¨ m −1 β = β¨ m −1
ˆ
98
Econometría II Curso 2015-16
Tiene gran interés económico plantear modelos en los que se expliquen los
determinantes de estar o no desempleado, por lo que la variable Yi es, en este caso, la
variable de interés o endógena. Otros modelos tratan de explicar los determinantes de la
participación femenina en el mercado laboral, por lo que la variable a explicar es como la
planteada, y los determinantes de dicha participación pueden ser la presencia de hijos de
determinadas edades, la edad, la experiencia, el salario del marido, su educación, etc.
Ejemplo 2: Supongamos que se desea estudiar las causas que llevaron a los padres a
elegir una escuela privada o pública para sus hijos. La elección en este caso es también
entre dos alternativas y, por lo tanto, se puede asignar a la variable dependiente dos valores.
Nota: Estas variables pueden tomar más de dos valores, pero centraremos nuestro estudio
en variables dicotómicas, igual que hicimos cuando las introducíamos como regresores en
el tema de variables ficticias de Econometría I.
Veamos a continuación cual es el tratamiento de este tipo de modelos.
99
Econometría Curso 2015-16
entonces E (Yi ) = 1 ⋅ pi + 0 ⋅ (1 − pi ) = pi = β 0 + β1 X i
100