Академический Документы
Профессиональный Документы
Культура Документы
ESPECIALIZACIÓN
FINANZAS
CORPORATIVAS I
2. Var(ut) = 2 <
3. Cov (ui,uj) = 0
5. ut N(0,2)
MBA. Rafael Bustamante
Sesión 6 :Análisis del modelo de regresión lineal clásico.
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
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.
Métodos gráficos:
Pruebas formales: hay muchas de ellas: discutiremos la prueba de Goldfeld-Quandt y la
prueba de White
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.
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:
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.
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.
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.
Si los errores estándar calculados utilizando las fórmulas habituales son demasiado
grandes o demasiado pequeños, dependerá de la forma de la heterocedasticidad.
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.
6.12.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 ’).
Algunos de los patrones estereotipados que podemos encontrar en los residuos se dan en
las siguientes 3 diapositivas.
-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.
+ 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.
+ û t
û t +
- uˆ t +1
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.
Condiciones que deben cumplirse para que DW sea una prueba válida
1. Término constante en regresión.
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.
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.
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.
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.
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.
Es probable que R2 esté inflado en relación con su valor "correcto" para los residuos
positivamente correlacionados.
x
x
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.
¡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.