CURSO DE

ESPECIALIZACIÓN
FINANZAS
CORPORATIVAS I

MBA. Rafael Bustamante

SESIÓN 6: ANÁLISIS DEL
MODELO DE REGRESIÓN LINEAL
CLÁSICO.

MBA. Rafael Bustamante

Sesión 6 :ANÁLISIS DEL MODELO DE REGRESIÓN LINEAL
CLÁSICO.

6.1 Violación de los supuestos del CLRM

Recuerde que asumimos de los términos de la perturbación CLRM:
1. E(ut) = 0

2. Var(ut) = 2 <

3. Cov (ui,uj) = 0

4. The X Matriz no estocástica o fija en repetidas muestras

5. ut  N(0,2)
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.1. Aspectos previos

 A menudo, están disponibles una versión F y una versión ꭓ2 de la prueba.
 La versión F-test implica estimar una versión restringida y no restringida de una regresión de prueba y
comparar el RSS.
 La versión ꭓ2 se llama a veces prueba "LM", y solo tiene un parámetro de grado de libertad: la cantidad de
restricciones que se están probando, m.
 Asintóticamente, las 2 pruebas son equivalentes, ya que ꭓ2 es un caso especial de la distribución F:
 A menudo, una versión F y una versión ꭓ2 de la prueba están disponibles.
 La versión F-test implica una versión restringida y no restringida de una prueba de prueba y comparar el
RSS.
 La versión 2 veces se llama prueba "LM", y solo tiene un parámetro de grado de libertad: la cantidad de
restricciones que se encuentran probando, m.
 Asintóticamente, las 2 pruebas son equivalentes, ya que 2 es un caso especial de la distribución F:
 m
2
 F m, T  k  as T  k  
m
 Para muestras pequeñas, la versión F es preferible.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.3. Investigación de las violaciones de los supuestos del CLRM

Ahora estudiaremos más a fondo estas supuestos y, en particular, analizaremos: Cómo

comprobamos las violaciones.
 Causas

 Consecuencias: En general podríamos encontrar cualquier combinación de 3 problemas:

Las estimaciones del coeficiente son incorrectas.
Los errores estándar asociados son incorrectos.
La distribución que asumimos para la las estadísticas de prueba serán inapropiadas
 Soluciones Las suposiciones ya no son violadas.
 Trabajamos alrededor del problema para que podamos
 Utilizar técnicas alternativas que siguen siendo válidas.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.4 Investigación de las violaciones de los supuestos del CLRM

Si se conoce la forma (es decir, la causa) de la heterocedasticidad, entonces podemos usar un método de
estimación que tenga esto en cuenta (llamado mínimos cuadrados generalizados, GLS). Una ilustración
simple de GLS es la siguiente: Supongamos que la varianza del error está relacionada con otra variable zt
por:
var ut    z
2 2
t

Para eliminar la heterocedasticidad, divida la ecuación de regresión por zt

yt 1 x2 t x3t
 1  2  3  vt
zt zt zt zt
vt 
ut
u  var u   z
2 2
Donde zt es el nuevo término de error. Ahora var vt   var 
t
  t
 t
 2 Donde
𝑧𝑡 2 2
por lo conocido es .
z
MBA.  z z
t Rafaelt Bustamante
t
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.5 Otros enfoques para tratar con la heteroscedasticidad

Así que los disturbios de la nueva ecuación de regresión serán homoscedásticos.

Otras soluciones incluyen:

1. Transformar las variables en registros o reducirlas en alguna otra medida de "tamaño".

2. Utilice las estimaciones de error estándar consistentes de heteroscedasticidad de White.

El efecto de usar la corrección de White es que, en general, los errores estándar para los
coeficientes de pendiente aumentan en relación con los errores estándar OLS habituales.
Esto nos hace más "conservadores" en la prueba de hipótesis, por lo que necesitaríamos más
evidencia contra la hipótesis nula antes de rechazarla.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.6.Detección de heteroscedasticidad: la prueba GQ

Métodos gráficos:
Pruebas formales: hay muchas de ellas: discutiremos la prueba de Goldfeld-Quandt y la
prueba de White

La prueba de Goldfeld-Quandt (GQ) se lleva a cabo de la siguiente manera.

Divida la muestra total de longitud T en dos submuestras de longitud T1 y T2. El modelo de

regresión se estima en cada submuestra y se calculan las dos varianzas residuales.

La hipótesis nula es que las variaciones de las perturbaciones son iguales,

Ho:  
2
1
2
2 MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.7 Detección de heteroscedasticidad: la prueba GQ

3. El estadístico de prueba, denotado GQ, es simplemente la relación de las dos

varianzas residuales donde la mayor de las dos varianzas se debe colocar en el
numerador.
2
s
GQ  1
2
s 2

4. El estadístico de prueba se distribuye como una F (T1-k, T2-k) bajo el nulo de

homoscedasticidad.
5. Un problema con la prueba es que la elección de dónde dividir la muestra es que
generalmente es arbitraria y puede afectar de manera crucial el resultado
MBA. Rafaelde la prueba.
Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.8 Detección de heteroscedasticidad mediante la prueba de White

La prueba general de White para la heteroscedasticidad es uno de los mejores enfoques porque hace
pocas suposiciones sobre la forma de la heteroscedasticidad.
La prueba se realiza de la siguiente manera:

1. Supongamos que la regresión que llevamos a cabo es la siguiente.

yt = 1 + 2x2t + 3x3t + ut
Y queremos probar Var (ut) = 2 . Estimamos el modelo, obteniendo los residuos, ut

2. A continuación, ejecute la regresión auxiliar

uˆ  1   2 x2t   3 x3t   x   x   6 x2t x3t  vt

2
t
2
4 2t
2
5 3t
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.8 Detección de heteroscedasticidad mediante la prueba de White

Dada la regression auxiliar, como se indicó anteriormente, la prueba se puede realizar utilizando dos
enfoques diferentes. Primero, es posible usar el marco de prueba F. Esto implicaría estimar (3) como la
regresión no restringida y luego ejecutar una regresión restringida de Sólo en una constante. El RSS
de cada especificación se usaría entonces como entradas para la fórmula estándar de F-test. Con
muchas pruebas de diagnóstico, se puede adoptar un enfoque alternativo que no requiere la estimación
de una segunda regresión (restringida).

Este enfoque se conoce como una prueba de multiplicador de Lagrange (LM), que se centra alrededor
del valor de R2 para la regresión auxiliar. Si uno o más coeficientes en (3) es estadísticamente
significativo, el valor de R2 para esa ecuación será relativamente alto, mientras que si ninguna de las
variables es significativa, R2 será relativamente bajo.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.8 Detección de heteroscedasticidad mediante la prueba de White

La prueba LM operaría de este modo obteniendo R2 de la regresión auxiliar y multiplicándola por el

número de observaciones, T. Se puede demostrar que TR2 ∼ χ2 (m) donde m es el número de
regresores en la regresión auxiliar (excluyendo el término constante), equivalente al número de
restricciones que deberían colocarse bajo el enfoque de la prueba F.

La prueba es una de las hipótesis nulas conjuntas de que α2 =0, y α3 =0, y α4 = 0, y α5 .=0, y α6 =0
Para la prueba LM, si la estadística de la prueba 2 del paso 3 es mayor que el valor correspondiente de
la tabla estadística y luego rechaza la hipótesis nula de que los errores son homocedásticos.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.8 Detección de heteroscedasticidad mediante la prueba de White

donde vt es un término de perturbación distribuido normalmente independiente de . Esta
regresión ut es de los residuales al cuadrado en una constante, las variables explicativas
originales, los cuadrados de las variables explicativas y sus productos cruzados. Para ver por
qué los residuales al cuadrado son la cantidad de interés, recuerde que para una variable
aleatoria ut , la varianza se puede escribir

2
Una vez más, no es posible conocer los cuadrados de las perturbaciones de la población, u t , por lo que
se utilizan sus contrapartes de muestra, los residuos al cuadrado, en su lugar.
La razón por la que la regresión auxiliar toma esta forma es que es deseable investigar si la varianza de
los residuos (incorporada en ) varía sistemáticamente con cualquier variable conocida relevante para el
modelo. Las variables relevantes incluirán las variables explicativas originales, sus valores cuadrados y
sus productos cruzados. Tenga en cuenta también que esta regresión debe incluir un término constante,
MBA. Rafael
incluso si la regresión original no lo hizo. Esto se debe al hecho de que Bustamante
siempre tendrá una media
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.9. Consecuencias de usar OLS en presencia de heteroscedasticidad

 La estimación de MCO aún proporciona estimaciones de coeficientes no sesgados, pero

ya no son BLUE.

 Esto implica que si aún usamos OLS en presencia de heterocedasticidad, nuestros

errores estándar podrían ser inapropiados y, por lo tanto, cualquier conclusión que
hagamos podría ser engañosa.

 Si los errores estándar calculados utilizando las fórmulas habituales son demasiado
grandes o demasiado pequeños, dependerá de la forma de la heterocedasticidad.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.10. Otros enfoques para tratar con la heteroscedasticidad

Así que los disturbios de la nueva ecuación de regresión serán homoscedásticos.

Otras soluciones incluyen:

1. Transformar las variables en registros o reducirlas en alguna otra medida de "tamaño".

2. Utilice las estimaciones de error estándar consistentes de heteroscedasticidad de White.

El efecto de usar la corrección de White es que, en general, los errores estándar para los
coeficientes de pendiente aumentan en relación con los errores estándar OLS habituales.
Esto nos hace más "conservadores" en la prueba de hipótesis, por lo que necesitaríamos más
evidencia contra la hipótesis nula antes de rechazarla.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.11. Pruebas de heterocedasticidad utilizando EViews.

La variabilidad cambiante sobre la muestra, que es un signo de heterocedasticidad. En este caso, es
difícil ver un patrón claro (aunque es interesante observar la considerable reducción de la volatilidad
posterior a 2003), por lo que necesitamos ejecutar la estadística formal prueba. Para probar la
heterocedasticidad usando la prueba de White, haga clic en el botón Ver en la ventana de regresión y
seleccione Diagnóstico residual / Heteroscedasticidad Pruebas . . . Verá una gran cantidad de
pruebas diferentes disponibles, incluida la prueba de heteroscedasticidad condicional autorregresiva
(ARCH) que se discutirá en. Por ahora, seleccione la especificación de blanco. También puede
seleccionar si desea Incluya los términos del producto cruzado o no (es decir, cada variable
multiplicada entre sí). variable) o incluir solo los cuadrados de las variables en la regresión auxiliar.

Desmarque la casilla 'Incluir términos de la cruz blanca', dado el número relativamente grande de
variables en esta regresión y luego haga clic en Aceptar. Aparecerán los resultados de la prueba. como
sigue.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.11. Pruebas de heterocedasticidad utilizando EViews.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.11. Pruebas de heterocedasticidad utilizando EViews.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.12.Autocorrelación
 Asumimos de los errores de CLRM que Cov (ui, uj) = 0 para i≠j, es decir, esto es
esencialmente lo mismo que decir que no hay un patrón en los errores.

 Obviamente, nunca tenemos las u reales, por lo que usamos su contraparte de muestra,
los residuos (los ’).

 Si hay patrones en los residuos de un modelo, decimos que están autocorrelacionados.

 Algunos de los patrones estereotipados que podemos encontrar en los residuos se dan en
las siguientes 3 diapositivas.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.13 Autocorrelación Positiva

û t
+
+
û t

-3.7
-6
-6.5
-6
-3.1
Time -5
- +
uˆ t 1 -3
0.5
-1
1
4
3
5
7
- 8
7
-

La autocorrelación positiva se indica mediante un gráfico cíclico residual a lo largo del tiempo.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.14. Autocorrelación Positiva

+ û t
û t +

- +
uˆ t 1 Time

-
-

La autocorrelación negativa se indica mediante un patrón alterno donde los residuos cruza el eje del
tiempo con más frecuencia que si estuvieran distribuidos al azar.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.15. No hay patrón en los residuos - No hay autocorrelación

+ û t
û t +

- uˆ t +1

No hay patrón de residuos en absoluto: esto es lo que nos gustaría ver

MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.16. Detección de autocorrelación: la prueba de Durbin-Watson

El Durbin-Watson (DW) es una prueba de autocorrelación de primer orden, es decir, supone que la
relación es entre un error y el anterior.

Donde: ut = ut-1 + vt (1)

La estadística de prueba DW realmente prueba

H0 : =0 and H1 : 0 (2)
T
  ut  ut 1 2
t 2
DW  T
 ut 2
t 2 MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.17. La prueba de Durbin-Watson: valores críticos

La prueba de Durbin-Watson: valores críticos

DW  2(1   ) (2)
donde  se encuentra el coeficiente de correlación estimado Dado que es una correlación,
implica que  1  pˆ  1

Si 
 = 0, DW = 2. En términos generales, no rechace la hipótesis nula si DW está cerca de
 2, es decir, hay poca evidencia de autocorrelación.

Desafortunadamente, DW tiene 2 valores críticos, un valor crítico superior (du) y un valor

crítico inferior (dL), y también hay una región intermedia donde no podemos rechazar ni
rechazar H0.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.18. Prueba de Durbin-Watson: Interpretación de los resultados

Condiciones que deben cumplirse para que DW sea una prueba válida
1. Término constante en regresión.

2. Los regresores son no estocásticos.

3. No hay rezagos de la variable dependiente. MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.18. Prueba de Durbin-Watson: Interpretación de los resultados

Es una prueba más general para la autocorrelación de orden r:

ut  1ut 1  2ut  2  3ut  3 ... r ut  r  vt , vt N(0, )

Las hipótesis nula y alternativa son:

H0 : 1 = 0 and 2 = 0 and ... and r = 0
H1 : 1  0 or 2  0 or ... or r  0
La prueba se realiza de la siguiente manera:
1. Estime la regresión lineal utilizando OLS y obtenga los residuales, ut.
2. Regresa u t a todos los regresores de la etapa 1 (las x) más ut 1 , ut  2 ,..., ut  r
Obtener R2 de esta regresión.
3. Se puede mostrar que (T-r)R2  2(r)
Si el estadístico de prueba excede el valor crítico de las tablas estadísticas, rechace la hipótesis nula de
no autocorrelación. MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.19. Condiciones para que DW sea una prueba válida.

(1) Debe haber un término constante en la regresión.
(2) Los regresores deben ser no estocásticos, como el supuesto 4 del CLRM
(3) No debe haber retrasos de la variable dependiente en la regresión.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.20. Autocorrelación y modelos dinámicos en EViews.

 En EViews, los valores retrasados ​de las variables se pueden usar como regresores o
para otros fines mediante el uso de la notación x (−1) para un período de un período, x
(−5) para un período de cinco períodos, y así sucesivamente, donde x es el nombre de
la variable EViews ajustará automáticamente el período de muestra utilizado para la
estimación para tener en cuenta las observaciones que se pierden en la construcción
de los retrasos. Por ejemplo, si la regresión contiene cinco rezagos de la variable
dependiente, se perderán cinco observaciones y la estimación comenzará con la
observación seis.

 En EViews, la estadística DW se calcula automáticamente, y se dio en las pantallas de

salida de estimación general que resultan de la estimación de cualquier modelo de
regresión. MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.20. Autocorrelación y modelos dinámicos en EViews.

 Para volver a ver la pantalla de resultados, haga clic en el botón Ver en la ventana de
regresión y seleccione el resultado de Estimación. Para la regresión macroeconómica de
Microsoft que incluyó todas las variables explicativas, el valor de la estadística DW fue 2.165.

 ¿Cuál es la conclusión apropiada con respecto a la presencia o no de autocorrelación de

primer orden en este caso?

 La prueba de Breusch-Godfrey se puede realizar seleccionando Ver / Diagnóstico residual /

Prueba de correlación serial LM. . . En la nueva ventana, escriba nuevamente el número de
residuos retrasados ​que desea incluir en la prueba y haga clic en Aceptar.

 Suponiendo que seleccionó emplear diez retrasos en la prueba, los resultados serían los que
figuran en la siguiente tabla.
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.20. Autocorrelación y modelos dinámicos en EViews.

Breus ch-Godfrey Serial Correlation LM Tes t:

F-s tatis tic 0.459982 Prob. F(10,365) 0.9150

Obs *R-s quared 4.766591 Prob. Chi-Square(10) 0.9062

Tes t Equation:
Dependent Variable: RESID
Method: Leas t Squares
Date: 05/04/19 Tim e: 01:19
Sam ple: 1986M05 2018M03
Included obs ervations : 383
Pres am ple m is s ing value lagged res iduals s et to zero.

Variable Coefficient Std. Error t-Statis tic Prob.

C 0.024348 0.480649 0.050657 0.9596

ERSANDP -0.022521 0.096472 -0.233443 0.8155
DPROD -0.059639 0.753453 -0.079154 0.9370
DCREDIT 0.000611 0.027892 0.021900 0.9825
DINFLATION -0.388421 1.311149 -0.296245 0.7672
DMONEY -0.001645 0.015851 -0.103787 0.9174
DSPREAD 0.111915 4.223083 0.026501 0.9789
RTERM -0.083128 1.746558 -0.047595 0.9621
RESID(-1) -0.050280 0.052999 -0.948696 0.3434
RESID(-2) -0.020780 0.052968 -0.392311 0.6951
RESID(-3) 0.053818 0.053956 0.997441 0.3192
RESID(-4) -0.006274 0.053128 -0.118088 0.9061
RESID(-5) -0.037044 0.052852 -0.700888 0.4838
RESID(-6) -0.013066 0.052619 -0.248321 0.8040
RESID(-7) 0.040095 0.053089 0.755251 0.4506
RESID(-8) -0.000329 0.052773 -0.006226 0.9950
RESID(-9) -0.037694 0.052885 -0.712749 0.4765
RESID(-10) 0.035434 0.052861 0.670326 0.5031

R-s quared 0.012445 Mean dependent var -4.96E-16

Adjus ted R-s quared -0.033550 S.D. dependent var 7.772638
S.E. of regres s ion 7.901949 Akaike info criterion 7.017953
Sum s quared res id 22790.89 Schwarz criterion 7.203500
Log likelihood
F-s tatis tic
-1325.938
0.270578
MBA. Rafael Bustamante
Hannan-Quinn criter.
Durbin-Wats on s tat
7.091557
2.003414
Prob(F-s tatis tic) 0.998571
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.21. Autocorrelación y modelos dinámicos en EViews.

En la primera tabla de resultados, Vista general de las versiones de la prueba: una versión Fversion y
una versión 2, mientras que la segunda tabla presenta los resultados de la regresión auxiliar. La
conclusión de las versiones de la prueba en este caso es la hipótesis de que la autocorrelación debe
ser rechazada, y que los valores de los valores están por debajo de 0.05. ¿Esto es de acuerdo con el
resultado de la prueba DW? Por lo tanto, podríamos considerar las medidas correctivas de acuerdo
con las líneas descritas anteriormente para pensar en las posibilidades.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.22. Autocorrelación en datos de corte transversal.

 La posibilidad de que la autocorrelación pueda ocurrir en el contexto de una regresión de
series de tiempo es bastante intuitiva. Sin embargo, también es plausible que la
autocorrelación pueda estar presente en ciertos tipos de datos de corte transversal.

 Por ejemplo, si los datos de la sección transversal comprenden la rentabilidad de los

bancos en diferentes regiones de los EE. UU., La autocorrelación puede surgir en un
sentido espacial, si existe una dimensión regional de la rentabilidad de los bancos que no
está capturada por el modelo.

 Por lo tanto, los residuos de bancos de la misma región o en regiones vecinas pueden
estar correlacionados. Las pruebas de autocorrelación en este caso serían bastante más
complejas que en el contexto de series de tiempo e involucrarían la construcción de una
"matriz de contigüidad espacial" simétrica, cuadrada o una "matriz
MBA.de distancia".
Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.22. Autocorrelación en datos de corte transversal.

 Ambas matrices serían N × N, donde N es el tamaño de la muestra. La primera sería una
matriz de ceros y unos, con uno para el elemento i, j cuando ocurriera la observación i
para un banco en la misma región, o lo suficientemente cerca de la región j y cero de otro
modo (i, j = 1,...., N).

 La matriz de distancia comprendería elementos que midieron la distancia (o la inversa de

la distancia) entre el banco i y el banco j. Una solución potencial a un hallazgo de residuos
autocorrelacionados en tal modelo sería nuevamente usar un modelo que contenga una
estructura de retardo, en este caso conocido como un "retardo espacial". Más detalles se
encuentran en Anselin (1988).

MBA. Rafael Bustamante

Sesión 6 :Análisis del modelo de regresión lineal clásico.

6.23. Consecuencias de ignorar la autocorrelación si está presente

 Las estimaciones de los coeficientes que se obtienen utilizando OLS aún son
insesgadas, pero son ineficientes, es decir, no son BLUE, incluso en tamaños de
muestra grandes.

 Por lo tanto, si las estimaciones de error estándar son inapropiadas, existe la

posibilidad de que podamos hacer inferencias erróneas.

 Es probable que R2 esté inflado en relación con su valor "correcto" para los residuos
positivamente correlacionados.

MBA. Rafael Bustamante

Sesión 6 :Análisis del modelo de regresión lineal clásico.

MBA. Rafael Bustamante

Sesión 6 :Análisis del modelo de regresión lineal clásico.

MBA. Rafael Bustamante

 Sesión 6 :Análisis del modelo de regresión lineal clásico.

Probando el supuesto de normalidad

¿Por qué necesitamos asumir la normalidad para la prueba de hipótesis?

Pruebas para Salidas de Normalidad

 El test de normalidad de Bera Jarque.

 Una distribución normal no está sesgada y se define para tener un coeficiente de
curtosis de 3.
 La curtosis de la distribución normal es 3, por lo que su exceso de curtosis (b2-3) es
cero.
 La asimetría y la curtosis son el tercer y cuarto momento (estandarizado) de una
distribución.

MBA. Rafael Bustamante

Sesión 6 :Análisis del modelo de regresión lineal clásico.

Distribuciones normales versus sesgadas

f(x)
f(x)

x
x

Distribuciones normales Versus sesgadas

MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

Distribución Leptokurtica versus normal

0.5
 Bera y Jarque formalizan esto
probando la normalidad de los
0.4 residuos probando si el
coeficiente de sesgo y el
0.3
coeficiente de exceso de
curtosis son conjuntamente
cero.
0.2

 Se puede demostrar que los

0.1
coeficientes de asimetría y
curtosis se pueden expresar
0.0 respectivamente como:
-5.4 -3.6 -1.8 -0.0 1.8 3.6 5.4
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

La prueba estadística de Bera Jarque está dada por

4
3 E[u ]
b1 
E[u ] b2 
   
3 / 2 2 2
2

b b2  3 
2 2
W T   ~  2 
1 2

 6 24 
Estimamos b1 y b2 utilizando los residuos de la regresión OLS, u
MBA. Rafael Bustamante
 Sesión 6 :Análisis del modelo de regresión lineal clásico.

¿Qué hacemos si encontramos evidencia de no normalidad?

 ¡No es obvio lo que debemos hacer! ¿Se podría usar un método que no asuma
normalidad, sino difícil y cuáles son sus propiedades?

 A menudo, el caso de que uno o dos residuos muy extremos nos haga rechazar el
supuesto de normalidad.

 Una alternativa es utilizar variables ficticias. p.ej. digamos que estimamos un

modelo mensual de rendimientos de activos de 1980 a 1990, trazamos los residuos
y encontramos un valor atípico particularmente grande para octubre de 1987:

MBA. Rafael Bustamante

Sesión 6 :Análisis del modelo de regresión lineal clásico.

MBA. Rafael Bustamante

Sesión 6 :Análisis del modelo de regresión lineal clásico.

MBA. Rafael Bustamante