El Modelo Lineal General (MLG)

Yt = Xt + t

Supuestos del Modelo
E(Yt/Xt) = + Xt El modelo puede representarse.
t ~ N(0 ; ^2.I) El error tiene una distribucin Normal.
(X) = k X es fija y de rango (Txk) completo (no
perfecta multicolinealidad)
El error presenta una matriz de varianza y covarianza:
E() = E(^2) =Var()= Homocedasticidad.
E(ts) = Cov(ts) = 0 no autocorrelacin.

I
2
o
El Estimador por Mnimos Cuadrados Ordinarios (MCO):
Minimiza la suma de cuadrados del residuo

| | | | | |
o |
X Y X Y Min
'

2
;
(
(
(
(

=
Tk T T
t
t
Txk
X X X
X X X
X X X
X

2 1
2 22 21
1 12 11
| | Y X X X
' '
=
1

|
| || |
k n
X Y X Y
k n
'

=

'
=
| | c c
o

2
| |
1
2

) (


'
= X X ov C ar V o |
(
(
(
(

=
T
Tx
Y
Y
Y
Y

21
11
1
Propiedades de MCO y MCG
Es no paramtrico.
Es lineal en los parmetros.
Es insesgado E()=
Eficiente (Varianza mnima)
Consistente plim()
Ejemplo : Modelo de Cagan linealizado


t t t
i Ln PBI Ln M Ln c | | o + + + = ) ( * ) ( * ) (
2 1
Durbin-Watson stat: Sirve para contrastar la hiptesis de
incorrelacin entre perturbaciones aleatorias frente a la presencia de
autocorrelacin.

Mean depent var: Representa la media la variable dependiente.

S.D depent var: Representa la cuasidesviacin tpica de la muestra.

F-statistic: Es el estadstico que esta asociado a la hiptesis conjunta
de que los parmetros asociados son iguales a cero ( excepto el
intercepto). H0 : 1 =2 =3 =i

Prob(F-statistic): Mide la probabilidad de cometer el erro tipo I . Se
calcula con la distribucin F de Snedecor Fk-1;T-k.

Criterios de Informacin: Son el Akaike info criterion y Schwarz
criterion, estos criterios nos dan informacin de la capacidad
explicativa del modelo y permite realizar comparaciones de los
modelos analizados.

STD.Error: Error estndar de los coeficientes estimar.

t-Statistic: Valor del estadstico t, bajo la hiptesis individual que las variables
(H0: i =0).Con t-k grados de libertad, Indica que la variable contribuye a explicar
la variable endgena.

Prob: Si los Valores son superiores al 5% (=5%) no se rechaza la hiptesis
(significativa la variable) nula y la variable exgena sirve para explicar el modelo.

R squared: Es el R cuadrado de la ecuacin y representa el porcentaje de la
variabilidad de la variable dependiente explicad por la variable independiente.

Adjusted R-squared: Permite medir el incremento neto de R cuadrado,
cuando se incluye un nuevo regresor.

SE. Of regression:

Sum suared resid:

Log likelihood: Representa el valor de la funcin de verosimilitud en los
parametros, til para la interpretacin del ratio de verosimilitud.

| | | | | |

X Y X Y Y Y SCR
'

'
=
| | | | | | c c


X Y X Y SCE
'
=
'
=

Test de Normalidad
Uno de los problema ms frecuentes al trabajar con variables
es saber si tiene distribucin Normal. Pues no se puede aplicar
los Test estadsticos si la poblacin no es normal, en ese caso se
trabajara con pruebas no paramtricas o se puede graficara las
variables para tener una idea de la forma y de esta manera
poder hacer las transformaciones del caso para que tengan una
distribucin normal.
* Eviews 7 tiene incorporado variaras pruebas para analizar la
normalidad, yo por mi parte describir tres de estas que
considero las ms importantes para estar seguro o tener una
alta probabilidad que la variables tenga una distribucin
normal
Test de Jarque Bera
Prueba de Normalidad (Quantile - Quantile)
El Diagrama de caja
Autocorrelacin
Es un caso particular de MCG que se produce cuando los errores del
modelo presentan correlaciones entre ellas (esto puede deberse a
efectos inerciales del pasado como la inflacin, una crisis mundial,
rezagos de poltica, especulacin, etc). Este problema y la
heteroscedasticidad origina que las perturbaciones no sean esfricas.
Por lo que la matriz de varianzas y covarianzas de las perturbaciones
sean distintas a cero.
Violacin del supuesto: E( t;s)= 0 t s
Sus efectos son: la los estimadores por MCO de son insesgados
por ineficientes (varianza no es la mnima) e inconsistentes
reduciendo la probabilidad de hacer pruebas de hiptesis.
Solucin: Reparametrizar el modelo y determinar el componente
autorregresivo.

Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando las
variables independientes presentan alto nivel de correlacin. Por lo que
en trminos empricos hay que definir los limites de tolerancia de
colinealidad.
Siguiendo a Klein en su versin de correlacin indica un alto grado
cuando:

RY : Es la raz cuadrada del coeficiente de determinacin
Multicolinealidad Perfecta (XX) < k
Multicolinealidad imperfecta (XX) = k / XX / 0
Consecuencias: Es el incremento de los errores estndar de la prueba t
, se mantiene un buen ajuste R cuadrado alto, una prueba F significativa
y t bajo para variables que presentan multicolinealidad.
Deteccin: Anlisis de la matriz de correlaciones. Algunos autores
recomiendan correlaciones mayores 0.8 0.85 indica la presencia de
colinealidad.
Anlisis de la matriz XX (es o no una matriz singular
Y X X
R r
j i
>
9
PRUEBA GOLDFELD-QUANDT
Aplicable si se conoce que X
i
esta relacionado positivamente con
la varianza o
i
2
;Luego se propone que:
o
i
2
= o
2
x
i
2
, la hiptesis:
H
0
: o
1
2
=o
2
2
=.......= o
n
2
= o
2
=constante
H
1
: o
i
2
=f(X
ji
), i=1,2,...,n
Esta hiptesis es implementada mediante los
siguientes pasos:
1.- Ordenar de menor a mayor el conjunto de
datos segn el valor de Xi
2.- Omitir las c observaciones centrales (1/5
1/3 del total), de forma que existan (n-c)/2
datos en cada grupo.
10
4.1.- INTRODUCCION
Se refiere a otro de los problemas en los DATOS, que se presenta cuando las
VARIANZAS de las observaciones no son iguales y tiene los siguientes
aspectos:
Naturaleza de la heterocedasticidad,
Consecuencias practicas,
Diagnostico de su presencia,
Tratamiento del problema.
4.0 HETEROCEDASTICIDAD
(varianzas no constantes)
11
PRUEBA RANGOS-SPEARMAN
Es una prueba no paramtrica y esta basado en coeficiente de
correlacin de spearman, la hiptesis de prueba es:
H
0
:
s
=0
H
1
:
s
=0
Y es realizada mediante los pasos siguientes:
1.- Ajustar una regresin por mnimos cuadrados
ordinarios al modelo original, para calcular los
residuos. Luego:
- Asignar los Puestos o Rangos desde el menor hasta el
mayor segn los valores absolutos de los residuos, c
i
2

- Asignar los Puestos o Rangos naturales desde el
12
PRUEBA WHITE
Es una prueba general y supone que todos los regresores estn
relacionados positivamente con la varianza o
i
2
:
H
0
: o
1
2
=o
2
2
=.......= o
n
2
= o
2
=constante
H
1
: o
i
2
=f(X
1i
, X
2i
, ...., X
ki
), i=1,2,...,n
Esta hiptesis es realizada mediante los pasos
siguientes:
1.- Realizar la regresin siguiente:
c
i
2
=o
0

1i
+ o
0

2i
+.....+ o
0

ki
+
i

con:
ji
=X
hi
X
gi
: j=1,2,..,; h,g=1,2,...k
son los regresores, cuadrados,y productos cruzados,
eliminando los redundantes.
13
PRUEBA DE PARK
(SUSTENTO DEL METODO GRAFICO)






Park sugiere explicar o
i
2
como funcin de la
variable explicativa:
o
i
2
= o
2
x
i
|
e
v
, Siendo o
i
2
desconocido se
estimar por los residuos al cuadrado, luego:

ln(c
i
2
)= ln(o
2
)+ | ln(X
i
)+ v
i

En esta regresin si, el coeficiente | es;
Significativo, hay heterocedasticidad
No significativo,no hay heterocedasticidad
Heteroscedasticidad
La heteroscedasticidad significa que la varianza de las
perturbaciones no es constante a lo largo de las
observaciones, violando un supuesto bsico del modelo
( )
Consecuencias
Una perdida de eficiencia de los estimadores mnimos
cuadrados.
La varianza del estimador por MCO no es mnima.
Solucin
Reparamtrizar el modelo para encontrar la ley de
formacin de la varianza para cada periodo.
* Como veremos a continuacin Eviews tiene
incorporado varias pruebas para detectar la
heteroscedasticidad de los errores
2 2
) (
i
E o c =
econobitacora@gmail.com; nakatabox@hotmail.com Econometra con EViews
Test de Ramsey
Para saber si nuestras variables regresoras cumplen bien con
explicar el modelo, le aplicaremos la prueba de Ramsey.

H
0:
El modelo esta bien especificado.
H
1:
El modelo no este bien especificado.

La alternativa para tratar la no linealidad consiste en
transformar el modelo.

Lo principal es la forma en la que se encuentra los parmetros
en la ecuacin, pues mediante logaritmos o exponentes se
puede convertir en lineales. Algunas de las formas ms
usuales son:



econobitacora@gmail.com; nakatabox@hotmail.com Econometra con EViews
Supuesto Formal
(
(
(
(
(

= =
2
2
2
2
1
/
0 0
0 0
0 0
) , ( ) (
T
t t
t
E Var
o
o
o
c c c

Deteccin de Heteroscedasticidad

Este anlisis se basa en los residuos
i) Representacin grafica del valor absoluto de los errores con cada uno
de los regresores.
ii) Representacin grfica de del cuadrado de los errores con cada uno de
los regresores.
iii) Representacin grfica de residuos estimados versus la variable
dependiente proyectada o tras variables conocidas, para explicar el
comportamiento de la varianza y poder extraer su ley.
iv) Prueba general de Goldfeld y Quant, Breusch y Pagan , White.

econobitacora@gmail.com; nakatabox@hotmail.com Econometra con EViews

Test de Farrar-Glauber: Test de Ortogonalidad

H0 : Las Xi son ortogonales entre si
H1 : Las Xi no son ortogonales entre si (Existe multicolinealidad)



k: Nmero de variables explicativas
R: Matriz de correlaciones simples.
Los comandos a ejecutar o el programa a crear es el siguiente para el test:

2
2 / ) 1 (
* )
6
5 2
( 1

~
(

+
=
k k
R Log
k
T FG _
econobitacora@gmail.com; nakatabox@hotmail.com Econometra con EViews
Estimacin con EViews
EViews nos permite estimar MCO por tres mtodos que son
equivalentes.


1. Uso de Comandos:
LS log(m1)=C(1)+C(2)*log(gdp)+C(3)*rs+C(4)*log(rs)
O Equation Ecuacion_1.LS log(m1) c log(gdp) rs log(rs)



2. Ventana de Dialogo: Quick/Estimate Equation/
Escribir la ecuacin con el mtodo seleccionar muestra.




3. Creacin de Ecuacin: Objects/New Object /Equation.
Se activa una ventana de dialogo igual al caso uno.