ECONOMETRA PRCTICA

CON EXCEL

SERGIO ZIGA
Universidad Catlica del Norte
Julio, 2004

PRESENTACION
Es sabido que el estudio de la econometra requiere, en apoyo al estudio de los aspectos
conceptuales, la estimacin emprica de los modelos economtricos para anlisis, contrastacin
y prediccin. Para esto el estudiante debe estar familiarizado con un buen programa de
ordenador, de los cuales existen en el mercado muchas alternativas, como por ejemplo RATS,
E-Views, Limdep, Gauss, Stata o SAS, cada uno de ellos con caractersticas especiales. Este
libro se ocupa de introducir al lector en el programa Excel.
Si bien Excel no es el programa preferido por los econometristas, a travs de este libro
mostramos la forma en que ste puede ayudar a alcanzar la mayor parte de los objetivos
planteados para una asignatura de econometra de pregrado.
Como se ver, este libro es un texto de apoyo en los laboratorios computacionales de
econometra, es decir tiene un objetivo netamente prctico, por lo cual hemos intentado
presentar y resolver gran nmero de ejemplos numricos, a costa de centrarnos solo en los
aspectos fundamentales de la teora subyacente, la que asumimos ser estudiada en alguno de
los nmerosos libros de texto introductorio existentes, tales como Introduccin a la
Econometra de Maddala, Anlisis Economtrico de Green, Introduction to the Theory and
Practice of Econometrics de Judge et al., y Econometra de Gujarati.

INDICE

PRESENTACION ............................................................................................................................................................. 1
CAPTULO 1..................................................................................................................................................................... 1
EL PROGRAMA EXCEL ................................................................................................................................................ 1
1.1.
ESTADISTICA DESCRIPTIVA CON EXCEL ................................................................................................ 1
1.2.
SESGO, CURTOSIS Y NORMALIDAD.......................................................................................................... 4
1.3.
GRAFICOS DE PROBABILIDAD NORMAL................................................................................................. 6
1.4.
HISTOGRAMA ................................................................................................................................................ 9
1.5.
OPERACIONES CON ESCALARES Y MATRICES .................................................................................... 11
a) Crear una frmula matricial.................................................................................................................................. 11
b) Calcular un nico resultado .................................................................................................................................. 11
c) Calcular varios resultados ..................................................................................................................................... 11
d) Operaciones Matriciales........................................................................................................................................ 12
1.6.
DISTRIBUCIONES DE PROBABILIDAD.................................................................................................... 13
1.7.
POTENCIA DE UN TEST .............................................................................................................................. 15
1.7.1. APLICACIN: SELECCIN ENTRE TESTS ALTERNATIVOS ................................................................. 16
1.8.
NIVEL DE SIGNIFICANCIA MARGINAL: CDF O P-VALUE.................................................................... 17
1.8.1. Distribucin Normal......................................................................................................................................... 17
1.8.2. Distribucin t.................................................................................................................................................... 18
1.8.3. Distribucin F .................................................................................................................................................. 19
1.8.4. Distribucin Chi cuadrado............................................................................................................................... 20
1.9. PRUEBAS SOBRE LA MEDIA EN EXCEL ......................................................................................................... 21
1.9.1. Inferencia respecto a una Media...................................................................................................................... 21
1.9.2. Diferencia de dos Medias (Univariado)........................................................................................................... 22
1.9.3. Inferencia En Excel .......................................................................................................................................... 23
1.10.
SERIES DE DATOS........................................................................................................................................ 26
CAPTULO 2................................................................................................................................................................... 28
EL MODELO DE REGRESIN LINEAL................................................................................................................... 28
2.1.
INTRODUCCIN: QUE ES LA ECONOMETRA? .................................................................................... 28
2.2.
ESTIMACIN DE MODELOS DE REGRESIN ......................................................................................... 28
2.2.1. EL MTODO DE MNIMOS CUADRADOS ................................................................................................... 29
2.2.2. IMPLEMENTACIN DE MCO ....................................................................................................................... 31
2.3.
PRUEBA DE HIPTESIS............................................................................................................................... 33
2.3.2. LA DISTRIBUCIN DE b Y SUS PROPIEDADES ..................................................................................... 33
2.3.3. LA MATRIZ DE COVARIANZAS DE LOS ERRORES ................................................................................ 34
2.3.4. UNA MEDIDA DEL XITO DE AJUSTE.................................................................................................... 36
2.4. CASO DE ESTUDIO .............................................................................................................................................. 38
2.4.1. Describiendo los Datos .................................................................................................................................... 38
2.4.2. Calculando Estadsticas ................................................................................................................................... 39
2.4.3. Transformacin de datos y creacin de nuevas series ..................................................................................... 39
2.4.5. Grficos de Series de Tiempo........................................................................................................................... 40
2.4.6. Grficos X-Y (Scatter) ...................................................................................................................................... 40
2.4.7. CASO DE ESTUDIO: Corriendo la Regresin 1 ............................................................................................. 42
2.4.8. CASO DE ESTUDIO: Corriendo la Regresin 2 ............................................................................................. 43
2.5.
INTERPRETACION DE LOS COEFICIENTES DE REGRESIN............................................................... 45

2.5.1. INTRODUCCIN ........................................................................................................................................ 45

2.5.2. FORMA DOBLE LOGARTMICA ............................................................................................................... 46
2.5.3
MODELO LOGARTMICO LINEAL (DE CRECIMIENTO CONSTANTE) ................................................ 46
2.5.4. OTRA VISIN DE LOS COEFICIENTES DE PENDIENTE....................................................................... 47
2.6 RESUMEN: UNA CRTICA AL MODELO....................................................................................................... 50
CAPTULO 3................................................................................................................................................................... 51
MNIMOS CUADRADOS RESTRINGIDOS (INFERENCIA) ................................................................................. 51
3.1.
MCO CON ERRORES NORMALES ............................................................................................................. 51
3.2.
PRUEBAS SOBRE UN COEFICIENTE......................................................................................................... 53
3.3.
TRES TESTS EQUIVALENTES .................................................................................................................... 54
3.4.
TEST DE RAZON DE VEROSIMILITUD (LR) ............................................................................................ 54
3.4.1. LR BAJO ESPECIFICACION LINEAL-LINEAL ............................................................................................. 55
3.5. TEST DE WALD .................................................................................................................................................... 57
3.5.1. WALD BAJO ESPECIFICACION LINEAL-LINEAL ....................................................................................... 57
3.5.2. EJEMPLO NUMERICO DEL TEST DE WALD .............................................................................................. 58
3.6. TEST DEL MULTIPLICADOR DE LAGRANGE................................................................................................. 59
3.7.
PRUEBA DE SIGNIFICANCIA GLOBAL .................................................................................................... 60
3.8.
PRUEBA DE EXCLUSION DE VARIABLES............................................................................................... 61
3.9.
PRUEBA DE CAUSALIDAD (GRANGER, 1969) ........................................................................................ 62
3.10.
TEST DE ESTABILIDAD (CAMBIO ESTRUCTURAL).............................................................................. 65
3.11.
ESTIMANDO REGRESINES RESTRINGIDAS ........................................................................................ 66
CAPTULO 4................................................................................................................................................................... 67
VIOLACIN DE ALGUNOS SUPUESTOS ................................................................................................................ 67
4.1.
MNIMOS CUADRADOS GENERALIZADOS............................................................................................ 68
4.2.
HETEROCEDASTICIDAD............................................................................................................................ 69
4.2.1. CORRECCIN CON MCG ( CONOCIDA) ............................................................................................. 70
4.2.2. DETECCION DE LA HETEROCEDASTICIDAD ....................................................................................... 72
1.- Test de Goldfeld y Quandt (1972) ........................................................................................................................................ 72
2.- Arch Test de White (1980): .................................................................................................................................................. 73
3.- Arch Test de Engle (1982):................................................................................................................................................... 74

4.2.3. CORRIGIENDO POR HETEROCEDASTICIDAD: MC PONDERADOS................................................... 75

4.3.
CORRELACIN SERIAL .............................................................................................................................. 77
4.3.1. CORRECCIN CON MCG ( CONOCIDA) ............................................................................................. 78
4.3.2. DETECCION DE AR(1): DURBIN-WATSON (1951) ................................................................................. 80
4.3.3. DETECCION EN MODELOS CON Y REZAGADA: Test h de Durbin ....................................................... 83
4.3.4. DETECCIN DE LA AUTOCORRELACIN DE ORDEN SUPERIOR..................................................... 84
a) Test de BREUSCH (1978) Y GODFREY (1978) .................................................................................................................. 84
b) Test Q de Ljung y Box (1978) (Box-Jenkins model identification) ....................................................................................... 85

4.3.4.

CORRIGIENDO LA AUTOCORRELACION EN EXCEL............................................................................ 87

4.3.4.1. Primeras Diferencias ..................................................................................................................................................... 87

4.3.4.2. PDG: Mtodos Alternativos .......................................................................................................................................... 89

4.4.
ESTIMACION ROBUSTA ............................................................................................................................ 91
4.4.1. CORRECCION DE WHITE (1980) ............................................................................................................. 92
4.4.2. CORRECCION DE NEWEY Y WEST (1987) .............................................................................................. 93
4.4.
MULTICOLINEALIDAD............................................................................................................................... 95
4.4.1. MULTICOLINEALIDAD PERFECTA......................................................................................................... 95
4.4.2. MULTICOLINEALIDAD MUY ALTA.......................................................................................................... 95
4.5.3. SOLUCIONES A LA MULTICOLINEALIDAD ........................................................................................... 96
CAPTULO 5................................................................................................................................................................... 97
ESTACIONARIEDAD Y COINTEGRACIN............................................................................................................ 97

ii

5.1.
REGRESIONES ESPUREAS ......................................................................................................................... 97
5.2.
ESTACIONARIEDAD ................................................................................................................................... 99
5.2.1. DEFINICIN ................................................................................................................................................... 99
5.2.2. SERIE ESTACIONARIA ................................................................................................................................... 99
5.2.3. SERIE NO ESTACIONARIA .......................................................................................................................... 101
5.3. PRUEBAS DE ESTACIONARIEDAD ................................................................................................................ 103
5.3.1. CORRELOGRAMA Y TEST Q ....................................................................................................................... 103
5.3.2. PRUEBAS DE RAICES UNITARIAS: Dickey y Fuller .............................................................................. 105
5.3.3. PRUEBAS DE RAICES UNITARIAS: Augmented Dickey Fuller (ADF) Test ........................................... 106
5.3.
DIFERENCIACION DE SERIES I(1)........................................................................................................... 108
5.4.
COINTEGRACIN: PRUEBA DE ENGLE-GRANGER ............................................................................ 110
5.4.1. INTRODUCCIN ...................................................................................................................................... 110
5.4.2. DEFINICIN FORMAL DE COINTEGRACION...................................................................................... 111
5.4.3. PRUEBA DE ENGLE-GRANGER (1987).................................................................................................. 113
5.4.4. TEOREMA DE REPRESENTACION DE GRANGER.................................................................................... 114
5.5. COMENTAROS FINALES .................................................................................................................................. 116
CAPTULO 6................................................................................................................................................................. 117
INTRODUCCIN A LA PREDICCIN EN EXCEL............................................................................................... 117
6.1.
EL ERROR DE PREDICCIN ..................................................................................................................... 119
6.2.
PREDICCIN ESTATICA ........................................................................................................................... 119
6.3.
CASO PRCTICO........................................................................................................................................ 122
a) Tasa de Ocupacin (OCCUP) ............................................................................................................................. 123
b) Ingreso por Habitacin (Room Rate)................................................................................................................... 125
c) Nmero de Habitaciones (ROOMS)..................................................................................................................... 126
d) Prediccin Final .................................................................................................................................................. 127
6.4. MEDIDAS DE ERROR DE PREDICCION.......................................................................................................... 128
6.4.1. Error Cuadrtico Medio (Mean Squared Error, MSE).................................................................................. 128
6.4.2. Promedio del Error Absoluto (Mean Absolute Error, MAE) ......................................................................... 128
6.4.3. Promedio del Porcentaje de Error Absoluto (Mean Absolute Percentage Error, MAPE)............................. 128
6.4.4. Ejemplo de Clculo ........................................................................................................................................ 129
CAPTULO 7................................................................................................................................................................. 130
MODELOS ARIMA...................................................................................................................................................... 130
7.1.
9.2.
9.2.1.
9.2.2.
9.3.
9.3.1.
9.3.2.
9.3.
7.4.
9.4.1.
9.4.2.
9.4.3.
9.4.4.

AUTOCORRELACIONES SIMPLES Y PARCIALES................................................................................ 130

PROCESOS AUTORREGRESIVOS (AR) ................................................................................................... 131
SIMULACION DE PROCESOS AR(1) ...................................................................................................... 132
ESTIMACION DE UN PROCESO AUTOREGRESIVO ............................................................................ 133
PROCESOS DE MEDIAS MOVILES .......................................................................................................... 134
SIMULACION DE PROCESOS MA(1) ..................................................................................................... 134
ESTIMACION DE UN PROCESO DE MEDIAS MOVILES...................................................................... 134
PROCESOS ARIMA..................................................................................................................................... 136
EL ENFOQUE DE BOX Y JENKINS ........................................................................................................... 138
PASO 1: IDENTIFICACIN ..................................................................................................................... 139
PASO 2: ESTIMACIN ............................................................................................................................. 140
PASO 3: VERIFICACIN / DIAGNSTICO ............................................................................................ 143
PASO 4: PREDICCIN............................................................................................................................. 144

CAPTULO 8................................................................................................................................................................. 147

ERROR EN LAS VARIABLES: INSTRUMENTOS................................................................................................. 147
8.1. VARIABLES INSTRUMENTALES.................................................................................................................... 147
8.2.
ESTIMACIN CON INSTRUMENTOS EN SPSS ...................................................................................... 148
8.3.
EL ESTIMADOR DE VARIABLES INSTRUMENTALES......................................................................... 150

iii

REFERENCIAS ............................................................................................................................................................ 151

ANEXO: DATOS UTILIZADOS EN EL LIBRO ....................................................................................................... 153

iv

CAPTULO 1
EL PROGRAMA EXCEL

1.1. ESTADISTICA DESCRIPTIVA CON EXCEL

Microsoft Excel ofrece un conjunto de herramientas para el anlisis de los datos (Herramientas
para Anlisis) lo que permite efectuar anlisis estadstico de una manera simple. Algunas herramientas
generan grficos adems de tablas de resultados.
Para ver una lista de las herramientas de anlisis disponibles, elija 'Anlisis de Datos' en el men
Herramientas. Si este comando no est en el men, en el men Herramientas, elija Complementos, y all
seleccione Herramientas para Anlisis. Si no aparece la opcin Herramientas para Anlisis, necesita el CD
de instalacin de Excel.
Para usar el anlisis de datos, vaya ahora a Herramientas, y all seleccione 'Anlisis de Datos'
(Herramientas / Anlisis de datos). Aparecer la lista de opciones en donde seleccionamos Estadstica
Descriptiva:

En el cuadro de dilogo de Estadstica descriptiva, lo nico que s "obligatorio" suministrar son los
datos a analizar (Rango de entrada) y el lugar en donde se desea escribir los resultados (Rango de
salida).

Ejemplo. Se tienen datos de la cantidad de produccin (kg), capital ($)y de trabajo (horas) de 10
empresas:

Comenzaremos calculando estadstica de la serie 'capital'. El "Rango de entrada" es $B$1:$B$11, es decir

seleccionando los ttulos como promera observacin, de modo que se debe activar la opcin 'Rtulos en la
primera fila'. A continuacin debemos activar la seleccin del rango de salida, por ejemplo la celda $A$13,
como se muestra acontinuacin:

El resultado es el siguiente:

CAPITAL
Media
Error tpico
Mediana
Moda
Desviacin estndar
Varianza de la muestra
Curtosis
Coeficiente de asimetra
Rango
Mnimo
Mximo
Suma
Cuenta
Mayor (2)
Menor(2)
Nivel de confianza(95,0%)

5,6
0,733333333
6
6
2,319003617
5,377777778
-1,11811742
-0,058802684
7
2
9
56
10
8
3
1,658915249

Nota: Muchos de estos resultados anteriores pueden obtenerse individualmente a travs del men
Insertar/Funcin, y all ir dentro de las funciones estadsticas.

Media: Devuelve el promedio (media aritmtica) de los argumentos. PROMEDIO(nmero1;nmero2;...)

Error tpico (de la media): (Desviacin estndar)/raiz(T)
Mediana: Devuelve la mediana de los nmeros. La mediana es el nmero que se encuentra en medio de
un conjunto de nmeros, es decir, la mitad de los nmeros es mayor que la mediana y la otra mitad
es menor. MEDIANA(nmero1;nmero2; ...)
Moda: Devuelve el valor que se repite con ms frecuencia en una matriz o rango de datos. Al igual que
MEDIANA, MODA es una medida de posicin.
Desviacin estndar: Calcula la desviacin estndar en funcin de un ejemplo. La desviacin estndar es
la medida de la dispersin de los valores respecto a la media (valor promedio). DESVEST(nmero1;
nmero2; ...)
Varianza de la muestra: Calcula la varianza en funcin de una muestra (con n-1 g.l.).
VAR(nmero1;nmero2; ...)
Curtosis: Devuelve la curtosis de un conjunto de datos. La curtosis caracteriza la elevacin o el
achatamiento relativos de una distribucin, comparada con la distribucin normal. Una curtosis
positiva indica una distribucin relativamente elevada, mientras que una curtosis negativa indica
una distribucin relativamente plana. CURTOSIS(nmero1;nmero2; ...)
Coeficiente de asimetra: Devuelve la asimetra de una distribucin. Esta funcin caracteriza el grado de
asimetra de una distribucin con respecto a su media. La asimetra positiva indica una distribucin
unilateral que se extiende hacia valores ms positivos. La asimetra negativa indica una distribucin
unilateral que se extiende hacia valores ms negativos.
COEFICIENTE.ASIMETRIA(nmero1;nmero2; ...)
Rango: MAX(Rango) MIN(Rango).
Mnimo: Devuelve el valor mnimo de un conjunto de valores. MIN(nmero1;nmero2; ...)
Mximo: Devuelve el valor mximo de un conjunto de valores. MAX(nmero1;nmero2; ...)
Suma: La sumatora de las observaciones
Cuenta: El nmero de observaciones (T)
Mayor (2): Ksimo mayor. Devuelve el valor ksimo mayor de cada rango de datos en la tabla de
resultados. En el cuadro, escriba el nmero que va a utilizarse para k. Si escribe 1, esta fila
contendr el mximo del conjunto de datos.
Menor (2): Ksimo menor. Devuelve el valor ksimo menor de cada rango de datos en la tabla de
resultados. En el cuadro, escriba el nmero que va a utilizarse para k. Si escribe 1, esta fila
contendr el mnimo del conjunto de datos.
Nivel de confianza (95,0%): Nivel de confianza para la media. Devuelve el nivel de confianza de la media
en la tabla de resultados. En el cuadro, escriba el nivel de confianza que desee utilizar. Por ejemplo,
un valor de 95 % calcular el nivel de confianza de la media con un nivel de importancia del 5 %.

1.2. SESGO, CURTOSIS Y NORMALIDAD

Existen 4 formas comunes de estimar la normalidad:
1.2.3.4.-

Histograma de residuos
Normal Probability Plot
Anderson-Darling normality test (A2 stat)
Jarque-Bera (JB) test of Normality (asinttico)

Por ahora estamos interesados en la prueba de Jarque Bera, la que tiene la siguiente
specificacin:

S2 K2
a
JB = T
+
24
6

2 ( 2)

donde S es el coeficiente de Sesgo y K es el coeficiente de curtosis. Para una variable distribuda

normalmente, S=0 y K=3. Luego, el test JB de normalidad es una prueba conjunta de si S=0 y K=3. Si el
valor p es suficientemente bajo, se puede rechazar la hiptesis que la variable est normalmente
distribuda.
Ejemplo: Chi-Squared(2)= 1.061172 with Significance Level 0.58826017, donde Ho: Normalidad. Luego,
no podemos rechazar en este caso la hiptesis de normalidad (la conclusin es no rechazar normalidad).

Las definiciones y pruebas estadsticas para el sesgo y la curtosis son las siguientes:
a) Sesgo:

En Excel: =coeficiente.asimetria( )
La prueba estadstica de que el sesgo es cero se basa en una Normal, y es:

b) Curtosis:

En Excel: =curtosis( )
La prueba estadstica de que la curtosis es cero se basa en una Normal, y es:

Ejemplo: Siguiendo el ejemplo de la serie CAPITAL anterior mostramos el clculo de stas. Los
resultados a obtener son los siguientes:
Observaciones
Media Muestral
Desv estandar
Varianza
Error est de la media
Estadistico t
Sesgo
Curtosis
Jarque Bera

10
5,6
2,319003617
5,377777778
0,733333333
7,636363636 Pruebas de Hipotesis Significancia a 1 cola
-0,058802684
-0,064415113
0,948639697
-1,11811742
-0,488540664
0,62516693
0,526673995
0,526673995
0,768482877

Las frmulas usadas en cada caso se muestran a continuacin:

1.3. GRAFICOS DE PROBABILIDAD NORMAL

Los grficos de probabilidad normal (normal probability plot) son una tcnica grfica para valorar
si los datos son o no aproximadamente normalmente distribuidos. Los datos son graficados contra una
distrinucin normal terica de tal forma que los puntos deben formar aproximadamente una lnea recta.
Las desviaciones de la lnea recta indican desviaciones de la normalidad. El grfico de probabilidad normal
es un caso especial de los grficos de probabilidad.
Existen varios tipos de grficos de probabilidad normal 1. Aqu nos referimos solamente al tipo ms
simple de ellos: Percentiles vs Datos.

Los pasos para construir un grfico de probabilidad normal son:

1.

Las observaciones son rankeadas (ordenadas) de la menor a la mayor, x(1), x(2), . . ., x(n).

2.

Las observaciones ordenadas x(j) son graficadas contra su frecuencia acumulativa observada,
tipicamente; j/(n + 1)) sobre un grfico con el eje Y apropiadamente escalado para la distribucin
hipotetizada.

3.

Si la distribucin hipotetizada describe adecuadamente los datos, los puntos graficados se ubican
aproximadamente sobre una lnea recta. Si los puntos se desvan significativamente de la
linearecta, especialmente en las puntas, entonces la distribucin hipotetizada no es apropiada.

Vease por ejemplo www.itl.nist.gov/div898/handbook/eda/section3/probplot.htm.

4.

Para valorar la cercana de los ountos a la lnea recta, la prueba del grosor de un lpiz se usa
comunmente. Si todos los puntos se encuentran dentro del lapis imaginario, entonces la
distribucin hipotetizada es probablemente la apropiada.

Ejemplo: Los siguientes datos representan el grosor de una hoja plstica, en micrones: 43, 52, 55, 47,
47, 49, 53, 56, 48, 48
Ordered data Rank order Cumulative Frequency
(j)
( j/(n + 1))
43
1
1/11 = .0909
47
2
2/11 = .1818
47
3
3/11 = .2727
48
4
4/11 = .3636
48
5
5/11 = .4545
49
6
6/11 = .5454
52
7
7/11 = .6363
53
8
8/11 = .7272
55
9
9/11 = .8181
56
10
10/11 = .9090

Los datos ordebados son graficados contra su respectiva frecuencia acumulada. Note como el eje Y es
escalado tal que una lnea recta resultar para datos normales.

Basados en el grfico, parece que los datos se encuentran normalmente distribudos. Sin embargo
se requieren otras pruebas estadsticas para concluir que el supuesto de normlidad es apropiado.

En Excel puede obtenerse este grfico en Herramientas / Analisis de Datos / Regresion / y all
seleccionando la opcion Grafico de probabilidad normal.
Para el caso de la serie 'Capital' del ejemplo que se ha estado analizando, se tiene el siguiente
resutado a partir de Excel.

1.4. HISTOGRAMA
Un histograma es un grfico para la distribucin de una variable cuantitativa continua que
representa frecuencias mediante el volumen de las reas. Un histograma consiste en un conjunto de
rectngulos con (a): bases en el eje horizontal, centros en las marcas de clase y longitudes iguales a los
tamaos de los intervalos de clase y (b): reas proporcionales a las frecuencias de clase.
Si en la distribucin se toman clases de la misma longitud, las frecuencias son proporcionales a las
alturas de los rectngulos del histograma ya que el rea se obtiene multiplicando la base por la altura por
lo que queda similar a un diagrama de barras, solo que ahora las barras van una junto a otra por tratarse
de una variable continua.
En Excel, la herramienta para histogramas se encuentra en Herramientas / Anlisis de Datos /
Histograma. Antes de ejecutarla se puede (es opcional) definir el 'Rango de Clases', a fin de definir las
divisiones para cada rango del histograma. El 'Rango de Clases' son valores lmite que definen rangos de
clase, los que debern estar en orden ascendente. Si se omite el rango de clase, Excel crear un conjunto
de clases distribuidas uniformemente entre los valores mnimo y mximo de los datos.
Ejemplo: En el ejemplo de la serie 'Capital' un histograma es obtenido de la siguiente forma:

Histograma
120,00%

3,5

100,00%

2,5

Frecuencia

80,00%

2
60,00%

Frecuencia
% acumulado

1,5

40,00%
1

20,00%

0,5

0,00%
2

4,333333333

6,666666667

y mayor...

Clase

10

1.5. OPERACIONES CON ESCALARES Y MATRICES

Excel permite realizar operaciones matriciales con facilidad. En Excel, las frmulas que hacen
referencia a matrices se encierran entre corchetes {}. Al trabajar con matrices en Excel hay que tener en
cuenta lo siguiente:

No se puede cambiar el contenido de las celdas que componen la matriz

No se puede eliminar o mover celdas que componen la matriz
No se puede insertar nuevas celdas en el rango que compone la matriz

a) Crear una frmula matricial

Una frmula matricial es una frmula que lleva a cabo varios clculos en uno o ms conjuntos de
valores y devuelve un nico resultado o varios resultados. Las frmulas matriciales se encierran entre
llaves { } y se especifican presionando CTRL+MAYS+ENTRAR. Cuando se introduce una frmula
matricial Microsoft Excel inserta de forma automtica la frmula entre llaves ({}).

b) Calcular un nico resultado

Puede utilizar una frmula matricial para realizar varios clculos que generen un nico resultado.
Este tipo de frmula matricial permite simplificar un modelo de hoja de clculo sustituyendo varias
frmulas distintas por una sola frmula matricial.
Por ejemplo, la siguiente calcula el valor total de una matriz de precios de cotizacin y acciones, sin
utilizar una fila de celdas para calcular y mostrar los valores individuales de cada cotizacin.

- Haga clic en la celda en que desee introducir la frmula matricial (en B5).
- Escriba la frmula matricial. Cuando se escribe la frmula ={SUMA(B2:C2*B3:C3)} como frmula
matricial, se multiplica las acciones y el precio correspondiente a cada cotizacin, y luego se suma los
resultados de estos clculos.
- Presione CTRL+MAYS+ENTRAR.

c) Calcular varios resultados

- Seleccione el rango de celdas en que desee introducir la frmula matricial.
- Escriba la frmula matricial. Por ejemplo, dada un serie de tres cifras de ventas (columna B) para una
serie de tres meses (columna A), la funcin TENDENCIA determinar los valores de la lnea recta para las
cifras de ventas. Para mostrar todos los resultados de la frmula, se escribe en tres celdas en la columna
C (C1:C3). Al introducir la frmula =TENDENCIA(B1:B3,A1:A3) como frmula matricial, generar tres
resultados separados (22196, 17079 y 11962) basados en las tres cifras de ventas y en los tres meses.

11

Presione CTRL+MAYS+ENTRAR.

d) Operaciones Matriciales
Existen una serie de operaciones matriciales en Excel, siendo las ms usadas las siguientes:
MDETERM Devuelve la matriz determinante de una matriz
MINVERSA Devuelve la matriz inversa de una matriz
MMULT Devuelve la matriz producto de dos matrices
Vemos un ejemplo para el caso de una multiplicacin.
- Seleccione el rango de celdas en que desee introducir la frmula matricial. Para esto debe calcularse la
dimensin resultante de la operacin matricial. Por ejemplo, si se multiplican dos matrices de dimensiones
2x3, y 3x4 respectivamente, las celdas de la formula matricial que deben seleccionarse es de dimensin
2x4.

Presione CTRL+MAYS+ENTRAR. Con esto se tiene la matriz resultante, dada por:

19
29

28
42

44
66

46
69

12

1.6. DISTRIBUCIONES DE PROBABILIDAD

En econometra, para efectos de inferencia acerca de los coeficientes estimados, es necesario
trabajar con un nmero de distribuciones de probabilidad. A continuacin recordamos las ms
importantes: la distribucin Normal, Chi-cuadrado, t y F.
La siguiente es la funcin de densidad normal para una variable aleatoria X con una distribucin
normal con media y varianzas 2:

f (x / , 2 ) =

1
1 SCErrt
EXP

2
2
2

donde SCErr representa la suma cuadrada de errores, es decir de desviaciones respecto a la media.
Cuando se tienen n variables aleatorias normales Z distribuidas independiente e idnticamente,
entonces la distribucin conjunta multivariada con media y matriz de covarianza 2 es:

g ( x) = 2 n / 2

1/ 2

EXP ( x )' 1 ( x )
2

Si Z es una variable aleatoria normal estndar ( Z

1)

N (0,1) ), entonces puede mostrarse que:

t (r ) =

2 (r )
r

Es decir, una variable aleatoria normal estndar dividida por la raz cuadrada de una variable
aleatoria chi cuadrada con r grados de libertad dividida por r, se distribuye como una t con r grados de
libertad (gl).

2 (r1)
2)

F (r1, r 2) =

r1
( r 2)
2

r2
Es decir, una variable F con r1 gl en el numerador y r2 gl en el denominador corresponde a una
chi-cuadrada con r1 gl dividida por r1, dividida por otra chi-cuadrada con r2 gl dividida por r2.
3)

Z2

(1)

Es decir, una variable aleatoria normal estndar al cuadrado se distribuye chi-cuadrado con 1
grado de libertad.
4)
2

Z 12 + Z 22 + ... + Z n2

( n)

No confundir el smbolo de la matriz de covarianza , con el operador de sumatorias.

13

Es decir, la suma de n variables aleatorias normales estndar al cuadrado se distribuye chicuadrado con n grados de libertad. Este resultado puede generalizarse cuando se trata de variables
normales no estandarizadas

X N ( , ) :

( X )' 1 ( X ) 2 (n)

14

1.7. POTENCIA DE UN TEST

Hay dos formas en que un test nos puede llevar a cometer un error:
-

Error del tipo I: Rechazar Ho cuando es verdadera, y

Error del tipo II: No rechazar Ho cuando es Falsa.

El punto es que en la prctica no es posible hacer ambos errores arbitrariamente pequeos, pues
reduciendo la probabilidad de cometer un error aumenta la probabilidad de cometer el otro error. Sin
embargo es ms grave el Error del tipo I que el Error del tipo II: es peor condenar a una persona inocente
que dejar libre a un culpable, y por este motivo se trata que la magnitud del error del tipo I sea fijado
usualmente a un valor pequeo, es decir queda bajo control del analista:
Error tipo I :
Rechazar Ho cuando es verdadera (gravsimo)
Error tipo II:
No rechazar Ho cuando es Falsa (grave)

P(Error tipo I) = = Tamao del test (size) o nivel de

significancia.
P(Error tipo II) =

La forma de medir la calidad de un test estadstico es a travs de su potencia.

La Potencia de un test es la probabilidad de que correctamente rechacemos Ho cuando es falsa (la
probabilidad de detectar que Ho es falsa).

Potencia = 1 = 1 P ( Error tipo II )

Un test perfecto tendr una potencia de 1.0, pues siempre llevar a una decisin correcta. Esto
puede lograrse, para un nivel dado de significancia, cuando el tamao de la muestra aumenta (a infinito).
As, la evaluacin de un buen test debe hacerse en base a su funcin de potencia. En general el
procedimiento ptimo es seleccionar con anticipacin el tamao mximo del error del tipo I que podemos
aceptar, y despus se intenta construir una prueba que minimice el tamao del error del tipo II. Cuando
Ho es falsa, la potencia puede ser calculada asumiendo varios valores crticos para el parmetro
desconocido.

15

1.7.1. APLICACIN: SELECCIN ENTRE TESTS ALTERNATIVOS

En el siguiente ejemplo =1.4 (desviacin estndar), T=25 (nmero de observaciones); y se
desea probar la hiptesis Ho:=10 versus H1:>10.
Asumiendo que se desea un tamao de error () de hasta 0.06, escogeremos entre 3 distintas
regiones crticas a una cola, sabiendo que las medias muestrales son: Prueba A: 10.65, Prueba B: 10.45 y
Prueba C: 10.25.
Para las diferentes medias muestrales verificamos el cumplimiento del tamao del test requerido:

A
B
C

P(Error Tipo I)==Tamao del test

P[z> (10.65-10)/0.28 3]=P[z>2.32]=0.0102
P[z> (10.45-10)/0.28]=P[z>1.61]=0.0537
P[z> (10.25-10)/0.28]=P[z>0.89]=0.1867 (no cumple)

Repitiendo para diferentes valores supuestos de calculamos la potencia del test:

A
B

P(Error Tipo II) con =10.4

P[z> (10.65-10.4)/0.28]=P[z0.89]=0.8133
P[z> (10.45-10.4)/0.28]=P[z0.18]=0.5714

=10.4
=10.2
=11.0
Potencia Potencia Potencia
0.19
0.05
0.89
0.43
0.98
0.19

Luego:
Al aumentar el tamao del error del tipo I de 0.0102 a 0.0537, el error del tipo II disminuye de
0.8133 a 0.5714, y viceversa (no es posible eliminar ambos errores).
Puesto que puede tolerarse un error del tipo I de 0.06, entonces la prueba B es mejor que la A,
debido a que su potencia es mayor para distintos valores de .
El anlisis de potencia permite determinar el tamao muestral apropiado para cumplir ciertos
niveles predefinidos de y .

Recuerde que el error estndar para la media en este caso se 1.4/(25)**0.5=0.28

16

1.8. NIVEL DE SIGNIFICANCIA MARGINAL: CDF O P-VALUE

Hemos dicho anteriormente que la magnitud del error del tipo I queda bajo el control del analista,
quien lo fija en un valor relativamente pequeo, usualmente 5%. As, la probabilidad de cometer un error
del tipo I es justamente el Nivel de Significancia Marginal (NSM).
Decimos que un resultado es estadsticamente significativo cuando el NSM es menor que el nivel
deseado (generalmente 5%), es decir se tiene suficiente evidencia para rechazar Ho. Si es mayor,
entonces es estadsticamente no significativo (no podemos rechazar Ho). Es decir, bajos niveles de P
llevan a rechazar Ho.

1.8.1. Distribucin Normal

Excel entrega los valores crticos de la normal acumulando la probabilidad de izquierda a derecha y
a 1 cola (ej. si decimos al 5%, asignar 5% en 1 cola, la cola izquerda).
Ejemplo: El valor crtico a 2 colas al 95% es:

=DISTR.NORM.ESTAND.INV(0,975) = 1,95996

Ejemplo (significancia): Si el valor Z calculado es 2,0, entonces la significancia (p-value) es:

=DISTR.NORM.ESTAND(2) = 0,97724987
Sin embargo en este caso es ms conveniente leer la significancia como
=1-DISTR.NORM.ESTAND(2) = DISTR.NORM.ESTAND(-2) = 0,0228. Puesto que 0,0228 es < que 5%, se
rechaza Ho a 2 colas y tambin a 1 cola.

17

1.8.2. Distribucin t
Excel solo puede entregar los valores crticos de la t de la derecha (los positivos), y lo hace
acumulando la probabilidad de derecha a izquierda a 2 colas (ej. si decimos al 5%, distribuir 2,5% en cada
cola).
DISTR.T.INV(probabilidad de 2 colas;grados_de_libertad)
Ejemplo: los valores crticos de la t con 4 gl, y al 95% a 2 colas son: -2,776 y 2,776
=DISTR.T.INV(0,05;4) = 2,776
Nota: Puede obtenerse un valor t crtico de 1 cola reemplazando p por 2*probabilidad.

Ejemplo (significancia): Si el valor t calculado es 3,69, con 4 gl, y al 95% a 2 colas, entonces la
significancia (p-value) es:
=DISTR.T(3,69;4;2) = 0,02101873
lo que implica que Ho es rechazado al 2,1% (a 2 colas), y tambin al 5%.
Es importante notar que la funcin =DISTR.T(.) no acepta argumentos negativos, es decir, solamente puede
buscarse la significancia en el lado derecho de la distribucin.

18

1.8.3. Distribucin F
Excel entrega los valores crticos de la F acumulando la probabilidad de derecha a izquierda y a 1
cola.
DISTR.F.INV(probabilidad de 1 cola;gl Num;gl Denom)
Ejemplo: El valor crtico de una F(1,4) a 1 cola al 95% es:
=DISTR.F.INV(0,05;1;4) = 7,70864742

Ejemplo (significancia): Si el valor F(3,30) calculado es 3,0, entonces la significancia (p-value) a 1 cola es:
=DISTR.F(3;3;30) = 0,04606
lo que implica que Ho es rechazado al 5% a 1 cola.

19

1.8.4. Distribucin Chi cuadrado

Excel entrega los valores crticos de la Chi acumulando la probabilidad de derecha a izquierda y a 1
cola.
PRUEBA.CHI.INV(probabilidad;grados_de_libertad)
Ejemplo: El valor crtico de la Chi cuadrado con 10 grados de libertad a 1 cola, al 95% es:
=PRUEBA.CHI.INV(0,05; 10) = 18,307

20

1.9. PRUEBAS SOBRE LA MEDIA EN EXCEL

1.9.1. Inferencia respecto a una Media
Ejemplo: Se tiene informacin de produccin de 10 empresas. Un intervalo de confianza al 95% para la
media de la produccin en Excel se desarrolla como sigue:

Sabemos que se trata de 9 grados de libertad, por lo que:

a) el estadstico t es = DISTR.T.INV(0,05;9) = 2,262
b) el error tpico de la media es = desvest()/Raiz(10) = 20,29477/Raiz(10) = 6,41777
Y el intervalo viene dado por = (Media +/- 2,262*6,41777) = (88,9 +/- 14,518). Es decir, (74,382 ;
103,418).
En Excel, aparece en la ltima fila:
PRODUCCION
Media
Error tpico
Mediana
Moda
Desviacin estndar
Varianza de la muestra
Curtosis
Coeficiente de asimetra
Rango
Mnimo
Mximo
Suma
Cuenta
Nivel de confianza(95,0%)

88,9
6,417770468
90
#N/A
20,29477218
411,8777778
-1,230556217
-0,154506756
61
57
118
889
10
14,5180054

Note que al aumentar la confianza, se ampla el Intervalo de Confianza (verifquelo).

21

1.9.2. Diferencia de dos Medias (Univariado)

Para comparar 2 grupos de datos, se tienen bsicamente dos enfoques:
- Datos son Normales: Test t
- Datos solo tienen una distribucin ordinal (no paramtrica): Test U y Test de Wilcoxon)
A continuacin nos referiremos solamente a las comparaciones del primer tipo.
El estadstico:

Z =

X Y ( 1 2 )

2
1

N (0,1)

Ejemplo: El anlisis de una muestra de m = 20 personas arroj una edad media de 29.8 aos. Una
segunda muestra de n = 25 tuvo un promedio de 34.7 aos. Las distribuciones de la edad son normales
con

1 = 4.0 y 2 = 5.0. Son las edades diferentes: Ho:1=2? Realice el test con un = 0.01

Solucin: Ho: 1 - 2, test de dos colas: Zona de rechazo: +/- 2.58

Z =

29.8 34.7
4.9
=
3.65
16 25 1.3416
+
20 25

se rechaza Ho las edades son diferentes.

IC es (-4.9 +/- 2.58*1.3416) = (-4.9 - 3.46 , -4.9 + 3.46) = (-8.36 , -1.43)

puesto que 0 se ubica fuera del IC, la diferencia de edades es significativamente diferente de cero (los
promedios de cada grupo son diferentes).
Ejemplo: Se realizaron test de resistencia en dos tipos de alambres:
Tamao de la muestra

Media

M = 129

X = 107.6
Y = 123.6

N = 129

1 - 2 = 107.6 123.6 1.96

Conclusiones:

Kg mm 2

(1.3)2
129

(2.0)2
129

Desviacin Estndar
S1 = 1.3
S2 = 2.0

= -16 0.4116 = (-16.4116; -15.5884)

2 > 1. 2 es aproximadamente 16

Kg
mm 2

ms grande que 1

22

Problema de Behrens-Fisher
La solucin ms simple al caso de varianzas desiguales es llamada la aproximacin a la t de
Welch, la que corrige los grados de libertad de la t como sigue:
2

s12 s 22
+
n n
gl = 12 2 2
s 22
s12


n
1 + n2
n1 1 n2 1
El resultado puede ser no entero, y entonces se lo aproxima al entero ms cercano.

1.9.3. Inferencia En Excel

Ejemplo: Supngase que se desea comparar las medias de salario inicial de los dos grupos de
trabajadores (474 observaciones) definidos por la variable sexo (h=hombres y m=mujeres). Employee
data.xls
a) Varianzas Conocidas: Prueba Z para medias de dos muestras.
Debe ingresarse las varianzas conocidas.
b) Varianzas Desconocidas. Prueba t para dos muestras suponiendo varianzas iguales.
(Muestras Independientes)
Prueba t para dos muestras suponiendo varianzas iguales

Media
Varianza
Observaciones
Varianza agrupada
Diferencia hipottica de las medias
Grados de libertad
Estadstico t
P(T<=t) una cola
Valor crtico de t (una cola)
P(T<=t) dos colas
Valor crtico de t (dos colas)

Variable 1
13091,9676
8617742,74
216
49131619
0
472
-11,1523866
4,2491E-26
1,64808834
8,4981E-26
1,96500259

Variable 2
20301,3953
83024550,6
258

La prueba t arroja un valor de 11,152 para 472 grados de libertad. La significancia estadstica a
dos colas es prcticamente cero, y se rechaza la igualdad de medias de salarios.
La diferencia de las medias es 7.209,43 y el error estandar de la diferencia es 646,45. Un
intervalo de confianza para la diferencia de media es (5.939,16 ; 8.479,70).

23

c) Varianzas Desconocidas. Prueba t para dos muestras suponiendo varianzas desiguales.

(Muestras Independientes)

Prueba t para dos muestras suponiendo varianzas desiguales

Media
Varianza
Observaciones
Diferencia hipottica de las medias
Grados de libertad
Estadstico t
P(T<=t) una cola
Valor crtico de t (una cola)
P(T<=t) dos colas
Valor crtico de t (dos colas)

Variable 1
13091,9676
8617742,74
216
0
319
-11,9874833
6,9028E-28
1,64964432
1,3806E-27
1,96742832

Variable 2
20301,3953
83024550,6
258

La prueba t arroja un valor de 11,987 para 318,818 grados de libertad. La significancia estadstica
a dos colas es prcticamente cero.
La diferencia de las medias es 7.209,43 y el error estandar de la diferencia es 601,41. Un
intervalo de confianza para la diferencia de media es (6.026,19 ; 8.392,67).

t=

20301,4 13091,97
2

9111 2935
+
258
216

7209.4
= 11.987
601.4

vs =distr.t.inv(0,05;319)=1.967, se rechaza la igualdad de

medias de salarios.
El IC es: 7209,43 +/- 1.96*601,412

24

d) Varianzas Desconocidas. Prueba t para medias de dos muestras emparejadas (relacionadas

o pareadas). En este caso los rangos de las variables deben contener el mismo nmero de
observaciones.
Cuando no hay completa independencia entre los pares de las muestras, posiblemente debido a
un origen comn, por ejemplo el caso de el ingreso y el tamao de las casa de las familias.
Lo que se hace es trabajar con las diferencias entre cada par de observaciones, de modo que el
procedimiento puede ser llamado una prueba t de una sola muestra como vimos anteriormente.
Ejemplo: Comparar las medias de las series Salario Actual y Salario Inicial.
Prueba t para medias de dos muestras emparejadas

Media
Varianza
Observaciones
Coeficiente de correlacin de Pearson
Diferencia hipottica de las medias
Grados de libertad
Estadstico t
P(T<=t) una cola
Valor crtico de t (una cola)
P(T<=t) dos colas
Valor crtico de t (dos colas)

Variable 1
34419,5675
291578214
474
0,88011747
0
473
35,0359608
8,051E-134
1,64808148
1,61E-133
1,96499192

Variable 2
17016,0865
61946945
474

La media es 17.403,48, la desviacin estndar es 10.814,62, y el error estndar de la media es

496,73. El intervalo de confianza es (16.427,41 ; 18.379,56). El estadstico t es de 35,036 para 473
grados de libertad, lo que arroja una significancia a dos colas cercana a cero.

25

1.10. SERIES DE DATOS

Las Series son los datos ms importantes en cualquier investigacin, pues contienen la
informacin que ha sido recopilada acerca de las variables de inters. Son esencialmente arreglos de
elementos de una dimensin, como los vectores, pero tienen una estructura mucho ms compleja, puesto
que, por ejemplo, pueden tener elementos definidos y no definidos. Por ejemplo, en una serie Consumo
Nacional Anual es posible que no dispongamos del dato de un ao en particular, pero an as podemos
construir la serie.
Operacionalmente las series siempre tienen la estructura de una matriz rectangular, en que las
columnas contienen las variables, y las filas representan los casos o sujetos, y adems no hay elementos
vacos.
En econometra las series de datos pueden ser de 3 tipos: corte transversal (cross section), series
de tiempo (time series) y del tipo panel o combinadas (panel data).
tiempo.

Las series de corte transversal son observaciones de determinadas variables en un momento del

Ejemplo: Las series Capital y Reservas (en millones de pesos) de los bancos nacionales,
en enero de 1990, constituyen una serie de corte transversal.
Banco
1
2
3
4
5
6
7

Capital y Reservas
3.661
5.590
3.047
9.296
6.604
6.908
8.122

Las series de tiempo estn constituidas por observaciones de un nmero de variables a travs del
tiempo (diarias, mensuales, anuales, etc.).
Ejemplo: La serie Producto Interno Bruto anual de Chile en $ reales de 1986 entre 1972 y
1976 es una serie de tiempo.
AO
1972
1973
1974
1975
1976

PIB ($ reales 1986)

2.659.800
2.544.814
1.864.085
2.341.477
2.329.343

Los datos de panel estn constituidos por combinaciones de datos de corte transversal y series de
tiempo.

26

Ejemplo: La siguiente tabla muestra 3 series de colocaciones de 3 bancos entre enero y

julio de 1990, por lo que se trata de un panel de datos.
Fecha
90.01
90.02
90.03
90.04
90.05
90.06
90.07

Colocaciones Colocaciones Colocaciones

Banco 1
Banco 2
Banco 3
5132
2525
507
4704
3223
518
4941
2200
517
4806
3012
527
4943
2553
535
4566
3101
541
4167
3176
550

Hemos sealado que los datos economtricos pueden ser de 3 tipos: corte transversal, series de
tiempo y datos de panel. Excel no est diseado especialmente para trabajar con datos de panel.

27

CAPTULO 2
EL MODELO DE REGRESIN LINEAL

2.1. INTRODUCCIN: QUE ES LA ECONOMETRA?

Diccionarios especializados definen econometra como la aplicacin de tcnicas matemticas y
estadsticas a la economa en el estudio de problemas, anlisis de datos, el desarrollo y la prueba de
teoras y modelos."
En efecto, cuando un economista plantea un determinado modelo en el cual existe una variable
dependiente de otras variables explicativas a travs de una determinada especificacin funcional, esta es
susceptible de ser estimada con datos de la realidad. En casos simples, el modelo no requiere estar
especificado demasiado formalmente, pues en muchos casos es aceptada cierta relacin ente variables,
por ejemplo Ventas-Publicidad, Ingreso-Consumo, Nivel de tasas de inters-Inversin, etctera. Esto es
en breve lo que se entiende por econometra.
As como iremos viendo a travs de este libro, los tres principales usos de la econometra
incluyen:
1)
2)
3)

Medicin de Parmetros (estimacin de modelos)

Prueba de Hiptesis
Prediccin

2.2. ESTIMACIN DE MODELOS DE REGRESIN

El anlisis de regresin estudia la relacin de dependencia de una variable dependiente en una o
ms variables explicativas, con el objetivo de estimar y/o predecir resultados promedio o poblacionales de
la primera, en trminos de valores conocidos o fijos (en muestras repetidas) de las ltimas. El aspecto
comn de todos los modelos de regresin es entonces la existencia de variables dependientes (Y) que son
explicadas por una serie de variables independientes (Xs). De todos los modelos de regresin el ms
comn es del tipo lineal mltple (uniecuacional), en el cual Y es funcin lineal de las diferentes Xs. Como
veremos, esta especificacin posee una serie de ventajas respecto, por ejemplo, a los modelos no
lineales. Ntese tambin que existen diferencias entre el anlisis de regresin y el de correlacin, pues la
primera de ellas asume un tratamiento asimtrico de las variables (separndolas en dependientes e
independientes) y asumiendo un comportamiento aleatorio (estocstico) de la variable dependiente. En el
anlisis de correlacin las variables tienen un tratamiento simtrico (no existe distincin entre variables
dependientes e independientes).

28

Los modelos economtricos pueden ser lineales o no lineales en los parmetros 4. Son lineales
cuando la variable explicada (dependiente) puede ser escrita como una combinacin lineal de las variables
explicativas (independientes). Por ahora trabajaremos solamente con modelos lineales.
Ejemplo: Modelo Lineal:

Yt = 0 + 1Yt 1 + 2 X t + t

;* es un modelo lineal en los parmetros. Los

parmetros a estimar o incgnitas son los coeficientes , mientras que las

variables explicativas son X e Y rezagada. La variable explicada o endgena es Y.
Ejemplo: Modelo no Lineal:

Yt = 0 + 1Yt 1 + 22 X t + t

;* es un modelo no lineal en los parmetros, pues

hay un coeficiente que se encuentra al cuadrado, y no hay forma de eliminar ese

exponente sin afectar la linealidad de los restantes parmetros.
La segunda clasificacin importante es la de modelos de regresin simples o mltiples, de acuerdo
al nmero de variables que explican a la variable dependiente. Cuando solamente existe una variable
explicativa se llama a ste un modelo de regresin simple y cuando son varias se le llama modelo de
regresin mltiple.
Ejemplo:

VENTAS t = 0 + 1 PUBLICIDADt + t

;* es un modelo de regresin simple:

La relacin lineal entre las ventas (y) y los gastos en publicidad (x)
Ejemplo:

CONSUMOt = 0 + 1 INGRESOS t + 2 ACTIVOS t + 3TAMAOt + t

;* es

un modelo de Regresin Mltiple. La relacin lineal entre el gasto en consumo de las

familias (y) en funcin del ingreso (x1), los activos financieros de la familia (x2) y
del tamao de la familia (x3).

2.2.1. EL MTODO DE MNIMOS CUADRADOS

Supongamos que disponemos de informacin de Ingreso (variable exgena) y de Consumo
(variable endgena) de 20 familias en un determinado periodo (ver datos en archivo 'Tabla 04.xls'). Esta
informacin es mostrada en el siguiente grfico (scatter).

La no linealidad se refiere a los parmetros, puesto que la no linealidad de las variables consiste simplemente en una
transformacin de stas.

29

Consumo

Relacion Ingreso-Consumo
45,0
40,0
35,0
30,0
25,0
20,0
15,0
10,0
5,0
0,0
0,0

10,0

20,0

30,0

40,0

50,0

Ingreso

Al obtener la informacin real, esta no se ajustar exactamente al modelo (que suponemos en

este caso es lineal), pues algunos puntos se ubican sobre y otros por debajo de la recta. Las
observaciones parecen una nube de puntos, y nuestro objetivo es determinar el mejor ajuste a la lnea, lo
que implica estimar el intercepto y la pendiente de la recta de mejor ajuste a la nube de puntos. Puesto
que existe una desviacin o error entre cada valor observado de Y y cada valor predicho por la recta
( Y ), entonces el mejor ajuste ser el que minimice tales errores 5.
Puesto que habr errores positivos y negativos, una posibilidad es encontrar la recta ptima (es
decir el parmetro de intercepto y pendiente) minimizando la suma cuadrara de los errores (SCErr),
procedimiento llamado Mnimos Cuadrados Ordinarios. Estos parmetros de intercepto y pendiente son
llamados tambin parmetros de posicin.

Variable endgena Y

Es conveniente suponer que Y es una variable aleatoria, es decir las observaciones de Y son
sucesos observados en un experimento, y que stos tienen alguna distribucin como se muestra a
continuacin:

Valores posibles de Y
dado un valor de X
Y=a+bX

Variable Exogena X

Se agrega un trmino de Error (e) pues la relacin entre X e Y es estocstica, lo que se puede deber a:
- Elementos impredecibles (aleatorios) del comportamiento humano.
- Gran nmero de variables omitidas, algunas no cuantificables.
- Errores de medicin en y.

30

As, si efectivamente la relacin subyacente es lineal, uno esperara que a travs de repeticiones
sucesivas de Y (experimentos repetidos) se obtendra observaciones con frecuencias como las descritas
en cada distribucin de la ilustracin, de modo que el error esperado de cada observacin sea cero.
Un supuesto importante en esta parte es que si bien Y y X son observables, X est fijo es decir es
una variable completamente definida por el investigador. Por el contrario Y es estocstico, producto que
existe el error en el modelo, y este error es estocstico, efecto que se transmite a Y.

2.2.2. IMPLEMENTACIN DE MCO

Hemos dicho que un modelo del tipo lineal simple contiene una sola variable explicativa (X). La
especificacin general es un modelo lineal mltiple con muchas variables explicativas. Considerando todas
las observaciones (supongamos que se trata de T observaciones disponibles), esta relacin puede
escribirse entonces de un modo matricial como sigue:

YTx1 = X TxK Kx1 + Tx1

es decir:

Y1
Y
2
Y = .

.
YT

1
X = .

X X
X X
11

12

21

.
.

22

.
.

X X
T1

T2

.
.
.
.
.

.
.
.
.
.

X
X
ik

2k

.
XTk

0

1
= .

.
k

1

2
= .

.
T

donde Y es el vector de variables explicadas por el modelo, X es una matriz de valores conocidos de
variables explicatorias fijas o no estocsticas 6, es un vector tal que (X,) es una secuencia de vectores
aleatorios independientes 7, y es un vector de K parmetros desconocidos. Para efectos de notacin
matricial, el primer subndice de X indica el nmero de la observacin y el segundo identifica la variable.
El mtodo de mnimos cuadrados (MCO) para encontrar los coeficientes que proporcionan el
mejor ajuste consiste en minimizar la suma cuadrada de errores, S. Esta suma cuadrada de errores
resulta ms sencilla de expresar en trminos matriciales como sigue:
Expresemos el vector de errores como la siguiente diferencia:

= ( y X )
luego, la suma cuadrada de errores es:

Ms adelante veremos que este supuesto de X fijas puede ser levantado.

El caso en que X contiene algn tipo de informacin acerca del valor esperado en el error, se produce sesgo e
inconsistencia. Otros supuestos relevantes se relacionan con la necesidad de que las varianzas de los errores estn
uniformemente acotadas y que la matriz promedio de covarianza de los regresores sea no singular.

31

S = ( y X )' ( y X )
= ( y ' ' X ' )( y X )
= y ' y ' X ' y y ' X + ' X ' X
= y ' y 2 ' X ' y + ' X ' X
El objetivo de MCO es encontrar el valor del vector de coeficientes que minimice S, para lo cual
debe derivarse S respecto a b (el estimador de MCO), es decir:

S
= 2 X ' y + 2 X ' X = 0

X ' Xb = X ' y
b = ( X ' X ) 1 X ' y
Luego, el estimador de MCO de es b y viene dado por:

b = ( X ' X ) 1 X ' y
que es un vector aleatorio puesto que, como se ve, es una funcin lineal de Y. Ntese que b tiene
dimensin Kx1, de modo que para el caso de un modelo lineal simple, K=2, y el elemento (1,1) de b ser
el intercepto, y el elemento (2,1) ser la pendiente.
As hemos mostrado que el estimador de MCO de los coeficientes de regresin (b) viene dado por
el producto de la matriz X y del vector Y. Luego, el procedimiento para calcular b es meramente
matemtico.

32

2.3. PRUEBA DE HIPTESIS

2.3.2. LA DISTRIBUCIN DE b Y SUS PROPIEDADES
Hemos sealado que b (el estimador de ) es tambin una variable aleatoria, de modo que si se
conoce su distribucin seremos capaces de hacer inferencias de stos, tales como intervalos de confianza
y pruebas de hiptesis. Veamos entonces la distribucin del estimador b, en cuanto a su valor esperado y
su varianza.
Puede mostrarse que el valor esperado y la varianza de b vienen dadas respectivamente por 8:

E (b) = + ( X ' X ) 1 X ' E ( )

V (b) = E [(b )(b )'] = ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1
donde E() corresponde a la matriz de varianzas y covarianzas de los errores.
La matriz de varianzas y covarianzas de los coeficientes es cuadrada y simtrica de dimensiones
KxK, es decir:

Cov (b1 , b2 )
Var (b1 )
Cov (b , b )
Var (b2 )
2
1
E [(b )(b )'] =

Var (bk )

donde los elementos de la diagonal son las varianzas de cada coeficiente, los que se encuentran fuera de
la diagonal son las covarianzas.
As, b tiene la siguiente distribucin general 9:

b + ( X ' X ) 1 X ' E ( ) , ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

Ntese tambin que el comportamiento de los errores (), es decir la matriz de varianzas y
covarianzas de los errores, E(), tiene gran importancia en la esperanza y la varianza de b. En efecto,
para que b sea un estimador insesgado de (es decir E(b)=) se requiere que XE()=0, es decir que los
errores sean independientes de las variables explicativas X, lo que se lograra siempre en el caso que X
fuera fija, y tambin en algunos casos cuando X es estocstica (vase regresores estocsticos).
Respecto a la varianza de b, cuando E()=2I, lo que significa que los errores estn distribuidos
independiente y constantemente, V(b) es mnima, es decir, el estimador b es eficiente (de varianza
mnima), y en este caso la varianza de b viene dada por:

V (b) = ( X ' X ) 1 X ' 2 X ( X ' X ) 1 = 2 ( X ' X ) 1

Es decir:

Vase ecuacin 5.6.8.a) en pgina 201 de Judge et al. (1988).

Note que no especificamos an, pues no lo requerimos, la distribucin especfica de b, es decir si por ejemplo se trata
de una distribucin Normal o no.
9

33

b , 2 ( X ' X ) 1

Donde la matriz X' tiene dimensin KxT, X tiene dimensin TxK, (X'X)-1 es una matriz inversa simtrica de
dimensin KxK y 2 es un escalar.
Teorema de Gauss-Markov
As, bajo condiciones ideales (errores bien comportados) el estimador lineal de MCO es insesgado
y eficiente. Esto es resumido por el Teorema de Gauss-Markov, en cuanto a que puede mostrarse10 que b
es MELI, es decir, es el mejor estimador insesgado de entre la clase de los estimadores lineales de .
Para entender la importancia del Teorema de Gauss-Markov debemos notar primero que b es un
estimador lineal, en vista que puede escribirse como una combinacin lineal de la variable dependiente Y,
y que no se requiere normalidad de los errores (ms adelante tomaremos este supuesto, y como
resultado, la variable Y transmite sus propiedades aleatorias (estocsticas) al estimador b). Ntese que
este teorema no dice que b son los mehjores de todos los posibles estimadores. Esto pues existen varias
clases de estimadores lineales que podran usarse para estimar los parmetros de intercepto y pendiente
del modelo, y una porcin de estos incluso ser insesgados. Sin embargo, b tiene la propiedad adicional
que tiene una varianza menor que todos los estimadores lineales que sean insesgados, lo que lo convierte
en MELI, es decir el mejor estimador lineal insesgado de entre todas las clases de estimadores lineales
(estimador de varianza mnima).
Para que el teorema sea verdadero deben cumplirse los primeros 5 supuestos que siguen:
1.
2.
3.
4.
5.
6.

Modelo de Regresin Lineal

Error tiene media cero (el mtodo de MCO asegura este resultado)
El trmino de error tiene varianza constante para todas las observaciones (homocedasticidad)
Los trminos de error son estadsticamente independientes entre s (no autocorrelacin serial)
Las X son variables no estocsticas, o alternativamente las X no estn correlacionadas con el
trmino de error (ambas son ortogonales): Cov(X,e) = E(Xe) = 0
(Optional) Error tiene una distribucin normal: E~N(0, 2)

Errores bien comportados en un modelo de regresin lineal se refiere a los supuestos 3), 4) y 5).
A continuacin explicams esto con mayor detalle.

2.3.3. LA MATRIZ DE COVARIANZAS DE LOS ERRORES

La matriz de varianzas y covarianzas de los errores tiene la siguiente forma:

1 1 1 2

E [ '] = E 2 1

...

Cov( 1 2 )

V ( 1 )

Cov( )
2 1

=
...
...
... ...

TT
V ( T )
...

donde los elementos de la diagonal representan la varianza de cada error, y los elementos fuera de la
diagonal son las covarianzas respectivas entre errores. Puesto que la covarianza entre el error 4 y el error
6 es la misma que la covarianza entre el error 6 y el error 4, entonces sta matriz es simtrica y cuadrada
de dimensin TxT.
Esta matriz no es posible de observar ni estimar completamente con los datos, por la sencilla
razn de que existen solamente T observaciones o grados de libertad inicialmente, y E() contiene
10

Vase seccin 5.7 en Judge et al.

34

T(T+1)/2 incgnitas 11. Por este motivo deben hacerse supuestos simples acerca de su comportamiento, y
el ms sencillo es asumir que los errores estn idealmente bien comportados, lo que quiere decir que
stos errores se distribuyen independiente e idnticamente.
Veamos esto con algn detalle.
Cuando los errores se distribuyen idnticamente significa que tienen igual varianza (sabemos que
tienen media cero). En econometra a esta propiedad se le llama homocedasticidad, o inexistencia de
heterocedasticidad. Esto significa que la matriz de varianzas y covarianzas de los errores debe tener a lo
largo de toda su diagonal el mismo elemento, es decir una constante, reflejando que la varianza del error
de cada observacin es el mismo para las T observaciones.
Cuando los errores se distribuyen independientemente quiere decir que stos no estn
correlacionados entre s. En econometra a esta propiedad se le llama no-autocorrelacin serial, o errores
no correlacionados serialmente. En este caso la matriz de varianzas y covarianzas de los errores debe
presentar que todos los elementos fuera de la diagonal (es decir las covarianzas) sean cero.
As, en el caso de errores bien comportados, esto se traduce en homocedasticidad y no
autocorrelacin, lo que significa que la matriz de varianzas y covarianzas de los errores debe ser igual a:

0
E [ '] =
...

0
1 0 ... 0

= 2 0 1
= 2I

...
...
...

2

1
0
...

es decir 2 veces la matriz identidad. De este modo, en adelante, cuando nos referimos a errores bien
comportados queremos decir errores con varianzas del tipo escalar-identidad o 2I, donde I es la matriz
identidad. Por el contrario, cuando los errores estn mal comportados se dice que su matriz de varianzas
y covarianzas tiene la forma de 2, donde es una matriz cuadrada simtrica TxT pero distinta de la
matriz identidad.
En cualquier caso, si bien no puede estimarse a partir de los datos, s puede obtenerse un
estimador de 2, la varianza de los errores ( es conocida el error estndar de la estimacin) que
denominamos s2, el que puede mostrarse, viene dado por:
t =T

s2 =

2
t

SCErr t =1
'
=
=
T K T K T K

Puede apreciarse que s2 proviene de la frmula tradicional de varianza de una serie, es decir la
suma cuadrada de las desviaciones de cada observacin respecto a la media (la media de los errores es
cero) dividido por el nmero de grados de libertad, en este caso T menos el nmero de parmetros
estimados en la regresin previa a la estimacin de s2.
La forma de efectuar pruebas de hiptesis sobre coeficientes se mostrar en el captulo siguiente.
Por ahora solo hemos mostrado dos resultados importantes para hacer esto: la distribucin de b y la
varianza de los errores.

11

Por ejemplo, se tienen 3 observaciones, E() tiene por incgnitas los 3 elementos de la diagonal de sta matriz ms
los 3 elementos debajo de la diagonal (pues es una matriz simtrica, los elementos de arriba de la diagonal son
iguales), es decir un total de 3+3 = 3*4/2 = 6 incgnitas.

35

2.3.4. UNA MEDIDA DEL XITO DE AJUSTE

Una vez que hemos conocido la forma de estimar los coeficientes de regresin (estimador b) y sus
propiedades ms importantes, debemos proceder a establecer alguna medida que determine el grado de
ajuste de la lnea de regresin a los datos. La medida usual para evaluar el grado de xito de ajuste de los
estimadores (del mtodo de MCO en este caso) es el coeficiente R- cuadrado. Un buen modelo de
regresin es aquel que ayuda a explicar una proporcin grande de la varianza de Y. Recordemos que
existen desviaciones positivas y negativas, por lo que el tamao de los errores constituye una til medida
para determinar el ajuste entre la lnea de regresin y los datos.
La derivacin del R-cuadrado se obtiene descomponiendo la suma cuadrada total en suma de
cuadrados explicada y suma de cuadrados no explicada por la regresin (SCErrores):
SCT = SCExpl + SCErr

(y

y ) 2 = ( y t y ) 2 + ( y t y t ) 2

donde

y i son los valores observados de Y, y es el valor promedio de los y observados, lo que sirve para
reescalar apropiadamente los clculos, y por ltimo y i corresponde a los valores de Y predichos por la

regresin ajustada. Un mejor ajuste implicar que la SCExplicada es mayor que la SCErrores. As,
dividiendo ambos lados de la igualdad por el trmino de la izquierda se tiene que:

( y
1=
(y
R

( y
=
(y

y) 2

y)

y) 2

y) 2

(y
+
(y

, o escrito de otro modo,

y t ) 2

t
t

y) 2

R2 =

suma cuadrada explicada

suma cuadrada total

Este coeficiente tiene un rango de valores posible entre 0 y 1. Mientras ms cercano a cero
indicar un mal ajuste y mientras ms cercano a 1 indicar un mejor ajuste. Esto es fcil de observar a
travs del siguiente ejemplo: si todas las observaciones de una muestra cayeran sobre la lnea de
regresin, el ajuste sera perfecto (R-cuadrado = 1).

y = b1 + b2x

et=yt-yt

yt
t
y

yt y

t y
y

xt
36

Lamentablemente el R-cuadrado est afectado por el nmero de parmetros usados en el modelo,

de modo que en general, siempre se obtendr un R-cuadrado ms alto cuanto mayor sea el nmero de
variables explicativas, lo que dificulta las comparaciones. De otro modo, se esperan bajos R-cuadrados
para modelos relativamente simples. Sin embargo la regla de la parsimonia indica que los modelos con
demasiados parmetros hacen perder grados de libertad y confianza en las estimacines, aspecto que el
R-cuadrado no considera.
Debido a este problema fue desarrollado el coeficiente R-cuadrado ajustado de la siguiente forma:

T 1
2
R 2 =1
(1 R )
T

el cual presenta una especie de correccin / castigo para los modelos con muchos parmetros, puesto que
al aumentar K caer el valor de esta medida. Como desventaja, el R-cuadrado ajustado puede ser
negativo.

37

2.4. CASO DE ESTUDIO

El siguiente ejemplo es obtenido de Pindyck y Rubinfeld (Econometrics Models and Economic
Forecast), el que trabaja con la siguiente informacin (ms de 400 observaciones a partir de enero de
1959). El archivo de datos en formato Excel de este (Pindyck.xls) y otros ejemplos se encuentra en el
SID de la UCN, y tambin con acceso libre en www.finanzascl.cl/econometria/data_excel.htm.
Rate
IP
M1
M2
PPI

:
:
:
:
:

Tasa de inters de los T-Bill de los EEUU de 3 meses.

Indice de produccin industrial del FED, ajustado estacionalmente (1987=100).
Cantidad de dinero M1, en billones de US dollars, ajustados estacionalmente.
Cantidad de dinero M2, en billones de US dollars, ajustados estacionalmente.
Indice de precios al productor, todas las mercancas (1982=100), no ajustado estacionalmente.

Se tienen dos modelos de regresin como sigue:

Rt = + 1IPt + 2(M1t M1t 3) + 3PSUMt + ut

donde

PSUM

PPI t
PPI t 1
PPI t 2
+
+
PPI t
PPI t 1
PPI t 2

Rt = + 1IPt + 2GRM2t + 3GRPPIt 1 + ut

donde

GRM 2 t =

(1)

(2)

( M 2 t M 2 t 1 )
( PPI t PPI t 1 )
, GRPPIt = 100
M 2 t 1
PPI t 1

2.4.1. Describiendo los Datos

Sabemos que el archivo cuenta con 446 observaciones en la forma de una serie de tiempo. Luego
es importante que al momento de estimar los modelos o al obtener estadsticas parciales de datos lo
podamos hacer refirindonos a fechas en lugar de la posicin de cada observacin. Para esto, es
conveniente que la primera columna contenga las fechas en el formato deseado, por ejemplo, ao, mes.
Esto adems permitir hacer grficos de series de tiempo con los datos.

38

2.4.2. Calculando Estadsticas

Luego de ingresados los datos a Excel, es recomendable chequear si el ingreso de los mismos se
ha hecho de manera adecuada. La forma de efectuar este chequeo es consultando algunos estadsticos
bsicos para verificar por ejemplo el nmero de observaciones (N) y los valores mximos y mnimos.
Max
Min
Media
Desv St
Num Obs

16,2950
2,2680
6,0590
2,7752
446,0000

1151,4000
138,9000
448,0933
312,0299
446,0000

3690,2000
286,7000
1579,5439
1144,2819
446,0000

123,7000
36,0000
77,4686
24,1488
446,0000

126,1000
31,3000
71,5206
34,8445
446,0000

Tambin es posible obtener importantes estadsticos que nos indican como se distribuyen los datos, para
cada una de las variables a considerar. En el siguiente cuadro podemos apreciar la informacin obtenida
de la variable RATE.

Valores
Observaciones

446

Media Muestral

6,0590

Desv estndar

2,7752

Varianza
Error est. de la media

7,70182173
0,13141027

Estadstico t

46,1073203 Hiptesis

Sesgo

1,18620737

10,19269

Curtosis
Jarque Bera

1,58711239
151,403572

6,788193
151,4035

2
1,3278E-33

Significancia a 1 cola

2.4.3. Transformacin de datos y creacin de nuevas series

En la realizacin de cualquier trabajo se requerir algunas transformaciones de datos, o bien la
creacin de nuevas series. En el caso del ejemplo deben realizarse varias transformacionesque se
muestran a continuacin en un segmento de los datos:
M1t-M1t-3

0,8000
1,3000
1,5000
2,0000
1,2000
-0,2000
-1,2000
-1,5000
-1,0000
-0,5000
-0,5000

dPPIt/PPIt
0,0000
0,0000
0,0031
0,0000
-0,0032
0,0000
-0,0032
0,0032
-0,0032
-0,0032
0,0000
0,0032
0,0000

dPPIt-1/PPIt-1 dPPIt-2/PPIt-2

0,0000
0,0000
0,0031
0,0000
-0,0032
0,0000
-0,0032
0,0032
-0,0032
-0,0032
0,0000
0,0032

0,0000
0,0000
0,0031
0,0000
-0,0032
0,0000
-0,0032
0,0032
-0,0032
-0,0032
0,0000

PSUM

0,0031
0,0031
0,0000
-0,0032
-0,0063
0,0000
-0,0032
-0,0032
-0,0063
0,0000
0,0032

GRM2t

GRPPIt

0,00348797
0
0,00521376
0
0,00311201 0,31545259
0,0072389
0
0,00650237 -0,31446062
0,00374025
0
0,00406498 -0,31545861
0,00101221
0,3164569
-0,00067412 -0,31545861
0,00202363 -0,3164569
0,00235605
0
0,00134322 0,31746032
0,00067069
0

39

2.4.5. Grficos de Series de Tiempo

En el men de Excel, encontramos el asistente de grficos, la cual nos permite acceder a una gran
variedad de grficos. Dentro de los tipos de grficos que ms utilizaremos se encuentran los grficos de
Lineas, Scatter y Secuencias. A continuacin se presenta un ejemplo del trazado de grfico de secuencia
de las series rate, ip y ppi.

Se indica que en el eje de las X's se rotule la fecha correspondiente para cada observacin. La salida de
Excel nos mostrar el siguiente grfico:

2.4.6. Grficos X-Y (Scatter)

Tambin es posible graficar una serie contra otra a partir de la opcin SCATTER ( dispersin). Para
esto se debe hacer clic en esta opcin y se despliega el siguiente cuadro:

Hemos definido un Scatterplot Simple. Luego se deben definir las series de acuerdo a como
queramos que se ubiquen en los ejes. Para este ejemplo definiremos en el eje de las X a la serie grppiy
en el eje de las Y a la serie rate, y obtenemos la siguiente grfica:

40

RATE VS GRPPI
18

16

14

12

RATE

10

0
-0,03

-0,02

-0,01

0,01

0,02

0,03

0,04

0,05

0,06

0,07

GRPPI

Al seleccionar la opcin agregar lnea de tendencia, logramos obtener la regresin lineal simple
correspondiente para estas dos variables, la cual se puede apreciar en el grafico subsiguiente.

RATE VS GRPPI
18

16

14

12

y = 97,252x + 5,7621
2
R = 0,0569

RATE

10

0
-0,03

-0,02

-0,01

0,01

0,02

0,03

0,04

0,05

0,06

0,07

GRPPI

41

2.4.7. CASO DE ESTUDIO: Corriendo la Regresin 1

Retomando el caso de estudio anterior, debemos hacer un nmero de transformaciones previas
para correr las dos ecuaciones de regresin:

Rt = + 1IPt + 2 (M1t M1t3 ) + 3 PSUMt + ut

donde

PSUM

(1)

PPI t
PPI t 1
PPI t 2
+
+
PPI t
PPI t 1
PPI t 2

El objetivo es obtener la regresin de (1) desde febrero de 1960 hasta diciembre de 1980 (1960:2
1980:12). Luego, escogiendo a la opcin Anlisis de datos, y luego la opcin regresin, se deben ingresar
los datos correspondientes. As obtendremos la siguiente tabla adjunta:

Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
0,825962178
Coeficiente de determinacin R^2
0,68221352
R^2 ajustado
0,678353765
Error tpico
1,395907712
Observaciones
251
ANLISIS DE VARIANZA
Regresin
Residuos
Total

Intercepcin
IP
M1t-M1t-3
PSUM

Grados de libertad Suma de cuadrados Promedio de los cuadrados

3
1033,22587
344,4086233
247
481,2939099
1,94855834
250
1514,51978
Coeficientes
-2,490797219
0,125778816
-0,082500634
30,23544113

Error tpico
0,488327556
0,009459776
0,039357017
7,170339111

F
Valor crtico de F
176,7504807
3,39702E-61

Estadstico t
Probabilidad
-5,100668986 6,74644E-07
13,2961728 8,66531E-31
-2,096211583 0,037081155
4,216737962 3,48055E-05

Hemos solicitado estimar una regresin donde la variable dependiente rate se explica por las
variables ip, M1diff y ppisum, y se incluye automticamente el intercepto de la recta de regresin.
El primer cuadro muestra los coeficientes de determinacin R2 y R2 ajustado, adems del coeficiente de
correlacin mltiple y el error estndar de la regresin.
En segundo lugar, encontramos la informacin contenida en la tabla ANOVA, donde se muestra
la descomposicin de la suma cuadrada de errores, y los grados de libertad correspondientes. Adems,
esta tabla contiene el estadstico F, y el valor P correspondiente a la 'prueba F de significancia global' de
los parmetros de regresin.
En el cuadro coeficientes, se entrega los valores de los estimadores de los parmetros de
regresin. La columna Error Tpico que entrega el error estndar de cada coeficiente. Finalmente, las
ltimas 2 columnas entregan el estadstico t y el valor P (a 2 colas) de la 'prueba de significancia
individual' de los parmetros.
El anlisis de las salidas anteriores en cuanto a pruebas de hiptesis se muestra en el captulo
siguiente.

42

2.4.8. CASO DE ESTUDIO: Corriendo la Regresin 2

La segunda regresin es:

Rt = + 1IPt + 2GRM2t + 3GRPPIt 1 + ut

donde

GRM 2 t =

(2)

( PPI t PPI t 1 )
( M 2 t M 2 t 1 )
, GRPPIt = 100
PPI t 1
M 2 t 1

Haciendo las transformaciones correspondientes:

Fecha
RATE
IP
GRM2t
GRPPIt-1
1959,01 2,83699989
36
1959,02 2,71199989 36,7000008 0,00348797
1959,03
2,852 37,2000008 0,00521376
0
1959,04 2,96000004
38 0,00311201
0
1959,05 2,85100007 38,5999985
0,0072389 0,00315453
1959,06 3,24699998 38,5999985 0,00650237
0
1959,07 3,24300003 37,7000008 0,00374025 -0,00314461
1959,08 3,35800004 36,4000015 0,00406498
0
1959,09 3,99799991 36,4000015 0,00101221 -0,00315459
1959,1
4,1170001 36,0999985 -0,00067412 0,00316457
1959,11 4,20900011 36,2999992 0,00202363 -0,00315459
1959,12 4,57200003 38,5999985 0,00235605 -0,00316457
1960,01 4,43599987
39,6 0,00134322
0
1960,02
3,954
39,2 0,00067069
0,0031746
1960,03 3,43899989
38,9 0,00335121
0
1960,04 3,24399996
38,6 0,00200401 0,00632911
1960,05 3,39199996
38,5
0,003
0
1960,06 2,64100003
38,1 0,00465271 -0,00314465
1960,07 2,39599991
37,9 0,00595435
0
1960,08 2,28600001
37,9
0,0092075
0
1960,09 2,48900008
37,5 0,00488759 -0,00315457

y corriendo el modelo para el periodo enero 1960 a agosto 1995, se tiene que:
Resumen
Estadsticas de la regresin
Coeficiente de
0,46514599
Coeficiente de
0,21636079
R^2 ajustado
0,21081617
Error tpico
2,48102561
Observaciones
428
VARIANZA
Promedio de
los
Suma de
cuadrados
cuadrados
3 720,594185 240,198062
424 2609,92694 6,15548806
427 3330,52112

Grados de
libertad
Regresin
Residuos
Total

Intercepcin
Variable X 1
Variable X 2
Variable X 3

F
39,0217736

Valor crtico
de F
2,7558E-22

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

1,21407799 0,55169206
2,2006443 0,02829968 0,12968608
0,04835294 0,00550301 8,78663601 3,8642E-17 0,03753637
140,326144 36,0385012 3,89378414 0,00011462 69,4897811
104,588446 17,4421792 5,99629467
4,325E-09 70,3045416

Superior
95%
2,2984699
0,05916952
211,162508
138,872351

Inferior
95,0%
0,12968608
0,03753637
69,4897811
70,3045416

Superior
95,0%
2,2984699
0,05916952
211,162508
138,872351

43

44

2.5. INTERPRETACION DE LOS COEFICIENTES DE

REGRESIN
2.5.1. INTRODUCCIN
Cuando se plantea un modelo de regresin lineal, como por ejemplo:

Yt = 0 + 1 X 1,t + 2 X 2,t + et
los coeficientes de pendientes de sta regresin miden el efecto parcial de X1 sobre Y y de X2 sobre Y, es
decir las derivadas parciales de Y respecto a X1 y X2 respectivamente.
As, la interpretacin de los coeficientes es a veces confusa, puesto que se debe tener muy claro
como son medidas las variables. Vemoslo a travs de un ejemplo:
Ejemplo: Se dispone de la informacin de la produccin mensual (en kilogramos) de 10
empresas durante el mes pasado, y se cree que la produccin depende del capital utilizado
(monto de deuda de la empresa, en millones de pesos) y del trabajo usado (en nmero de
personas contratadas), segn la siguiente tabla de datos:
Empresa
1
2
3
4
5
6
7
8
9
10

Capital
8
9
4
2
6
6
3
6
8
4

Coeficientes
Intercepcin 56,20094158
Capital
4,873711127
Trabajo
0,120945774

Trabajo
23
14
38
97
11
43
93
49
36
43

Produccin
106
81
72
57
66
98
82
99
110
118

Error tpico Estadstico t

43,70386574 1,28594898
4,974703122 0,97969889
0,392826007 0,307886372

Aqu la interpretacin de los coeficientes es:

- Constante: si no se utiliza capital ni trabajo, la produccin ser de 56.20 Kg. Mensuales.
- Capital: por cada milln de pesos adicional de deuda, se espera producir 4.87 Kg. Mensuales.
- Trabajo: por cada persona contratada adicionalmente, se espera que la produccin aumente en 0.12 Kg.
Mensuales.
Existen otras especificaciones similares a la lineal anterior, pero que llevan a una interpretacin
distinta de los coeficientes, tal como veremos a continuacin.

45

2.5.2. FORMA DOBLE LOGARTMICA

Corresponde a una especificacin (lineal) en que tanto la variable dependiente como las variables
independientes estn expresadas como logaritmos naturales.
Ejemplo:

LN (Yt ) = 0 + 1 LN ( X 1 ) + 2 LN ( X t ) + et

;* es una especificacin doble log

La propiedad ms importante de esta especificacin es que los coeficientes pueden interpretarse

como elasticidades. En efecto, la interpretacin de los coeficientes 1 es:

1 =

d ln Y
d ln X 1

puesto que, por ejemplo, la elasticidad precio de la demanda puede escribirse como:

dQ
Elasticidad =

Q
dP

d ln Q
d ln P

donde Q es la funcin de demanda Q(P), y P el precio.

Esta especificacin es entonces til para calcular elasticidades precio, elasticidades ingreso,
elasticidades cruzadas, etctera, de acuerdo a las variables involucradas en el modelo.

2.5.3 MODELO LOGARTMICO LINEAL (DE CRECIMIENTO CONSTANTE)

Cuando se tiene una especificacin Log-Lineal, la interpretacin del coeficiente relevante es la de
la tasa de crecimiento constante de la variable asociada.
Ejemplo:

ln Y = 0 + 1 X

;* un modelo lineal simple en forma log-lin.

La interpretacin del coeficiente en este caso es:

dY
d ln Y
1 =
= Y
dX
dX
El numerador corresponde al cambio porcentual de Y (dado por dY/Y), mientras que el
denominador es el cambio (muy pequeo) en X. Si por simplicidad X es una medida de tiempo o
tendencia, entonces la interpretacin de es el cambio porcentual en Y ante un pequeo periodo de
tiempo. Note que si <0, se tratar de la tasa de disminucin en Y.

46

2.5.4. OTRA VISIN DE LOS COEFICIENTES DE PENDIENTE

Puede mostrarse que cada coeficiente en una regresin lineal puede calcularse como:

i =

Cov( X i , Y ) ( X i , Y ) ( X i ) (Y ) ( X i , Y ) (Y )
=
=
Var ( X i )
Var ( X i )
(Xi )

es decir la covarianza entre Xi e Y dividido por la varianza de la variable Xi, o alternativamente, el

coeficiente de correlacin entre Xi e Y, multiplicado por la desviacin estndar de Y y dividido por la
desviacin estndar de Xi.
La interpretacin de este resultado es que la covarianza (o el coeficiente de correlacin)
justamente intentan obtener el efecto neto entre Xi e Y, eliminando el efecto de otras variables sobre Y,
puesto que esta efecto ser obtenido en el beta correspondiente a esa variable. El otro aspecto
importante es que si la correlacin entre Xi e Y fuera cercana a 1.0, y las desviaciones estndar de Xi y de
Y son similares, entonces esperamos una pendiente cercana a 1.0 (i=1.0). Por ltimo, puede notarse que
el valor de este coeficiente i estar afectado por las unidades de medida de Xi e Y, lo que se reflejar en
sus respectivas desviaciones estndar.
Ahora mostraremos a travs de un ejemplo que los coeficientes de una regresin mltiple pueden
escribirse como la covarianza dividida por la varianza, en el caso que las variables X1 y X2 no estn
correlacionadas, es decir:

Y = 0 +

Cov( X 1 , Y )
Cov( X 2 , Y )
X1 +
X2 +
Var ( X 1 )
Var ( X 2 )

Ejemplo: Supongamos que tenemos 3 series de 10 observaciones.

y

x1
30
27
29
39
35
38
37
40
48
55

x2
5,912195122
6,365853659
8,365853659
11,91219512
12,8195122
8,087804878
11,72682927
16,27317073
8,995121951
9,541463415

8
9
9
8
10
15
12
11
17
16

Verificamos que para este ejemplo las correlaciones y covarianzas entre X1 y X2 son cero.
y
y
x1
x2

66,96
20,9
7,38146341

x1
10,25
2,51266E-13

=COEF.DE.CORREL(B2:B11;C2:C11)

x2

9,1404878
2,5959E-14

47

Calculamos los coeficientes de pendientes (Cov/var) por separado como sigue:

= 20.9/10.2500000 = 2.03902 para el primer coeficiente de pendiente
= 7.3814634/9.1404878 = 0.80756 para el segundo coeficiente de pendiente
Y verificamos a travs de una regresin mltiple el valor de los coeficientes de pendientes estimados
anteriormente.
Coeficientes
6,275651148
2,03902439
0,807556836

Intercepcin
x1
x2

Error tpico
8,077266366
0,506177022
0,536018368

Estadstico t
0,776952358
4,028283192
1,506584259

Note que esto es posible debido a que en las covarianzas anteriores no hay 'contaminacin' de
informacin de X1 en X2 y viceversa.
Otro aspecto importante referido a la interpretacin de los coeficientes de pendientes, y
relacionado con lo anterior, es que stos corresponden a la relacin entre cada variable Xi con Y, una vez
que se ha eliminado el efecto de las dems series X sobre Xi. Veamos esto a travs de un ejemplo:
Ejemplo: Se tiene informacin de 30 empresas respecto a una funcin de produccin COBB-DOUGLAS
simple, en que el producto (Q) es explicado por el capital (K) y el trabajo (L):
... Ver datos en Tabla 2 del Anexo al final del libro.

Intercepcin
Ln(L)
Ln(K)

Coeficientes Error tpico Estadstico t

0,424867718 0,137798197 3,083260349
0,735825294 0,065790541 11,18436308
0,949011153 0,062901265 15,08731428

El coeficiente de Ln(L) (Beta1) es 0.7358252943. Verifiquemos que ste coeficiente puede

obtenerse con regresiones separadas como sigue:
a) regresionando Ln(L) versus Ln(K) y guardando los residuos en una nueva serie llamada Error, que
corresponden a la informacin que queda en Ln(L) despus de eliminar lo explicado por Ln(K). De otro
modo, Error es la parte de Ln(L) que est libre del efecto de Ln(K), es decir el contenido de informacin
neto de Ln(L).
Empresa
1
2
3
4
5
6
7
8

Trabajo (L) Capital (K)

Producto (Q)
0,228
0,802
0,256918
0,258
0,249
0,183599
0,821
0,771
1,212883
0,767
0,511
0,522568
0,495
0,758
0,847894
0,487
0,425
0,763379
0,678
0,452
0,623130
0,748
0,817
1,031485

Ln(Q)
-1,35899831
-1,69500125
0,19300017
-0,64900016
-0,16499965
-0,27000065
-0,47300011
0,03099951

Ln(L)
-1,47840965
-1,35479569
-0,19723217
-0,26526848
-0,70319752
-0,71949116
-0,38860799
-0,2903523

Ln(K)
Error
-0,22064667 -0,25733826
-1,39030238 -0,32590464
-0,26006691 1,01736228
-0,67138569 0,88174421
-0,27707189 0,50860292
-0,85566611 0,39724333
-0,7940731 0,73824654
-0,20211618 0,93376374

b) Regresionando Ln(Q) versus los errores:

Intercepcin
Error

Coeficientes Error tpico Estadstico t

-1,53267649 0,21299129 -7,19595845
0,73582529 0,17827666 4,12743473

48

Obtenemos el mismo coeficiente Beta1=0.735825294, con lo cual verificamos que basta solo 1
regresin mltiple para esto, y no es necesario efectuar varias estimaciones para eliminar el ruido, o
contenido de Ln(K) en Ln(L).

49

2.6 RESUMEN: UNA CRTICA AL MODELO

Para terminar este captulo recordemos que en la implementacin del mtodo de los MCO se ha
supuesto:
a) Que se trata de un modelo lineal en los parmetros: Este supuesto puede no ser aplicable en
muchos modelos, sin embargo en muchos otros es vlido, por lo tanto es una misin del analista
determinar si el supuesto es aplicable o no. Cuando no es posible trabajar bajo este supuesto (cuando
tampoco es posible linealizar el modelo), entonces seguramente se requerirn mtodos de regresin no
lineales, los que veremos ms adelante.
b) Que las X son fijas o no estocsticas: El cumplimiento de este supuesto es de importancia extrema
en el anlisis de regresin, por cuanto de no cumplirse, y exista relacin entre las series X y los errores,
se tendrn estimadores sesgados de los verdaderos coeficientes, lo que es extremadamente grave. Sin
embargo en muchos casos es posible que los X no sean fijos (es decir sean estocsticos) y an estn no
correlacionados con los errores. Este aspecto lo veremos ms adelante en el tpico regresores
estocsticos (variables instrumentales).
c) Que X contiene el conjunto correcto de variables explicatorias: En efecto, se supone que el
modelo est bien especificado, es decir no faltan ni sobran variables explicativas. En general es ms grave
omitir variables que incluir variables en exceso, puesto que si la variable omitida est correlacionada con
la variable presente en el modelo, la variable omitida estar reflejada en el error (), de modo que existir
correlacin entre el error y la variable presente, implicando sesgo. Esto no ocurrir en el caso de
sobreespecificacin, aunque los coeficientes sern en general ineficientes respecto de aquellos estimados
bajo una correcta especificacin.
d) Que es bien comportado: En efecto, suponemos que stos estn libres de autocorrelacin y
heterocedasticidad, lo que asegura estimadores MELI, o MEI en el caso del modelo bajo el supuesto de
normalidad. Este supuesto es levantado ms adelante.
e) Que Y es medido sin error: Puesto que en general Y es la variable estocstica del modelo de
regresin (adems del error, ), se espera que ste sea una realizacin insesgada de un correcto
procedimiento de muestreo, cuestin que debe ser considerada por el analista. No mencionamos
preocupacin respecto a las series X, pues se suponen fijas, o controladas por el investigador.
f) Que los parmetros son fijos (estables): Cuando estimamos un modelo de regresin para un
determinado periodo, implcitamente se asumen que los verdaderos parmetros son constantes para todo
el periodo, es decir, si se subdivide el periodo total en 2 subperiodos y se efecta nuevamente la
estimacin en cada subperiodo, esperamos que los coeficientes de pendientes de ambas regresines sean
bsicamente los mismos, lo que en la prctica puede no ser verdadero. Las pruebas para la estabilidad de
los parmetros es mostrada en el siguiente captulo.

50

CAPTULO 3
MNIMOS CUADRADOS RESTRINGIDOS
(INFERENCIA)

3.1. MCO CON ERRORES NORMALES

Recordemos que en el captulo anterior sealamos que las condiciones ideales para la
implementacin de los estimadores MCO incluyen:
las perturbaciones son esfricas, es decir, errores independientes e idnticamente distribuidos con
media 0 y varianza 2, de modo que E['] = 2I, lo que implica homocedasticidad y ausencia de
autocorrelacin serial,
los regresores son fijos (las variables X son no estocsticas),
los errores tienen una distribucin desconocida.
Cumplindose estas condiciones, puede mostrarse por el teorema de Gauss-Markov que el
estimador de MCO, b es MELI (es decir, el mejor estimador insesgado de entre la clase de los
estimadores lineales de ), y que tena una distribucin no precisada (hasta ahora) con una media y
varianza que inclua, entre sus componentes, el comportamiento de los errores ().
Para efectos de implementar procedimientos de inferencia estadstica acerca de los coeficientes es
necesario conocer la distribucin de stos. El caso ms simple es asumir que los errores se comportan de
acuerdo a una distribucin normal. En este caso los coeficientes b se distribuirn tambin normalmente,
puesto que stos son una combinacin lineal de un error distribuido normalmente (puesto que las
variables X estn fijas). Es decir:

b Normal + ( X ' X ) 1 X ' E ( ) , ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

Si en adicin, los errores estn bien comportados, los coeficientes b se distribuyen normalmente:

b Normal , 2 ( X ' X ) 1

As, bajo este resultado es posible implementar un nmero de pruebas de inferencia estadstica,
incluyendo pruebas F, y adems se justifica la aplicacin del mtodo de mxima verosimilitud, aunque en
este caso si bien b es insesgado, s2 no lo es en pequeas muestras.
Como resultado adicional puede mostrarse 12 que al incorporar el supuesto de errores normales el
estimador b es el ptimo (suficiente), es decir el mejor estimador insesgado (MEI) incluyendo la clase de
los estimadores no lineales, de modo que no existe un mejor estimador posible que el de MCO. Este es un
12

Vase seccin 6.1.3e en Judge et al.

51

resultado ms poderoso que el obtenido bajo ausencia de normalidad (estimadores MELI). Respecto a s2,
en este caso tambin es ptimo.
En resumen, puede decirse que existen 2 principales implicancias de asumir errores normales:
- Los estimadores MCO pasan a ser MEI
- Los estimadores MCO tienen ahora una distribucin normal, lo que implica que puede hacerse inferencia
estadstica de los verdaderos parmetros de regresin.

52

3.2. PRUEBAS SOBRE UN COEFICIENTE

Cuando los errores estn bien comportados la prueba de hiptesis para un coeficiente b en un
modelo de regresin lineal involucra la prueba t, es decir:

t=

( X ' X ) 1
2

t (T K )

donde Ho: la restriccin es verdadera. Ntese que el denominador corresponde a la desviacin estndar
(error estndar) del coeficiente sobre el cual se est haciendo la prueba. La hiptesis ser rechazada
cuando t calculado sea mayor, en valor absoluto, que el t de tabla.
Por ejemplo, si el t de tabla es t(9) al 0.05 = 2.262. Puesto que para un nmero de grados de
libertad mayor a 30 el valor t de tabla al 5% es cercano a 2.0 1.96 para T-K muy grande, en muchos
por simplicidad casos se acepta 1.96 como t crtico.
Veamos que para el caso en que Ho: i=0, esta prueba es reportada automticamente en Excel.
Ejemplo:

A modo de ilustracin, asumamos que se dispone de informacin mensual de

actividad econmica en Chile (IMACEC), de desempleo en miles de personas
desocupadas, y del ndice de precios al consumidor (Base: Diciembre 1998=100).
Ver Tabla 1 en el Anexo al final del libro. La salida de la regresin es:
Resumen
Estadsticas de la regresin
Coeficiente de
correlacin mltiple
0,61777745
Coeficiente de
determinacin R^2
0,38164898
R^2 ajustado
0,24423764
Error tpico
47,4030464
Observaciones
12
ANLISIS DE
VARIANZA
Promedio de
Suma de
los
cuadrados
cuadrados
2
12481,996
6240,998
9 20223,4393 2247,04881
11 32705,4353

Grados de
libertad
Regresin
Residuos
Total

Intercepcin
imacec
ipc

F
2,77741986

Valor crtico
de F
0,11496294

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

-139,008756 1162,56508 -0,11957073 0,90744975 -2768,91368
-3,11131208
1,722777 -1,80598654 0,10439648 -7,0085044
13,8423467 10,0214799 1,38126772 0,20052202 -8,82781574

Superior
Inferior
95%
95,0%
2490,89617 -2768,91368
0,78588024 -7,0085044
36,5125091 -8,82781574

Superior
95,0%
2490,89617
0,78588024
36,5125091

;* Si se desea probar las siguientes hiptesis:

a) Ho: el intercepto (constante) = 0
La prueba estadstica respectiva es una t:
t = Abs((139,0-0)/1162,565)=-0,11957 < 2.262,
y no se rechaza Ho (no hay evidencia suficiente para rechazar Ho).
El resultado de esta prueba es mostrado en la salida de la regresin de Excel.
La conclusin tambin puede obtenerse con la significancia reportada, pues esta
es mayor que 0.05 (es 0.907).

53

b) Ho: El coeficiente de IMACEC = 0

t = Abs((3,111-0)/1,723)=1.8059 < 2.262, no se rechaza Ho.
c) Ho: El coeficiente de IPC = 0
t = Abs((13,84-0)/10,02)=1,38 < 2.262, no se rechaza Ho.

3.3. TRES TESTS EQUIVALENTES

Cuando se hacen pruebas que involucran a 2 o ms coeficientes simultneamente, entonces debe
usarse otro tipo de pruebas. Los 3 tests que veremos son el test de razn de verosimilitud (Likelihood
ratio, LR por Neyman y Pearson en 1928), el test de WALD (W, por A. Wald en 1943) y el test de los
multiplicadores de Lagrange (LM, por C. Rao en 1948).
Para desarrollarlos en forma simple, a continuacin supongamos que se desea probar un nmero
de hiptesis lineales referidas a los coeficientes de un modelo de regresin lineal mltiple. Puede
mostrarse que en este caso los 3 tests entregarn un resultado idntico, todos en trminos de una
distribucin del tipo F conocida.
Cuando se trabaja con modelos no lineales, o con sistemas de ecuaciones, solamente pueden
obtenerse resultados asintticos, de modo que los tres tests generalmente entregan resultados diferentes,
y en estos casos la distribucin general es una del tipo Chi-cuadrado. En cualquier caso se cumplir que:

W LR LM
Cuando se trabaja evaluando hiptesis lineales sobre el modelo lineal general, entonces puede
mostrarse que los tres son idnticos, es decir:

W = LR = LM

3.4. TEST DE RAZON DE VEROSIMILITUD (LR)

13

Esta prueba de hiptesis compara el valor de la funcin de verosimilitud del modelo no restringido
con el valor de la funcin del modelo restringido, pues Ho puede ser vista como restringiendo el conjunto
de posibles valores de los parmetros, lo que a su vez restringe el valor mximo de la funcin de
verosimilitud. Al comparar las estimacines restringida y sin restringir, y si las dos fueran cercanas, se
apoya Ho, es decir Ho es verdadera, con lo cual debe ser cercano a 1, es decir:

Max L restringido
Max L no restringido

donde Max L restringido es la funcin mxima verosimilitud del modelo restringido, y Max L no
restringido es la funcin de mxima verosimilitud del modelo no restringido.
A efectos de implementacin de la prueba estadstica, puede mostrarse que:

LR = 2 ln 2 ( J )
13

Es decir, Likelihood Ratio Test.

54

donde J es el nmero de hiptesis o restricciones.

Ntese que para implementar esta prueba se requiere estimar tanto el modelo sin restringir como
el modelo restringido. Esto puede ser difcil de hacer por ejemplo en sistemas ecuaciones, a partir de lo
cual surgen las alternativas del test de Wald y del Multiplicador de Lagrange.

3.4.1. LR BAJO ESPECIFICACION LINEAL-LINEAL

Cuando tanto las restricciones como el modelo de regresin son lineales (lineal-lineal), entonces la
maximizacin de la funcin de verosimilitud entrega los mismos estimadores que la minimizacin de la
suma cuadrada de errores, de modo que puede rescribirse como:

SCErr Restringidos
SCErr No Restringidos

sin embargo sta no tiene una distribucin exacta conocida, aunque con una modificacin leve se puede
llegar a una distribucin que se sabe es F:

(SCErr Restr SCErr no Restr )

F=

SCErr no Restr

m F(m,T K)
T K

donde Rrss es la suma cuadrada de errores restringida

Urss es la suma cuadrada de errores no restringida
m es el nmero de restricciones
Ejemplo: Si en el ejemplo del IMACEC, desempleo e IPC queremos probar la hiptesis
conjunta que:

Ho : 1 + 2 = 10,0
Entonces:
a) Modelo no restringido:

0 = 0

;* se trata de 2 restricciones conjuntas

Yt = 0 + 1 X 1 + 2 X t + t , correr este modelo y guardar la SCErrores

(no restringido) con los grados de libertad (ver salida de tabla ANOVA)

b) Modelo Restringido: Implica reescribir el modelo asumiendo que la hiptesis se cumple, es decir:

Y = 0 + (10 2 ) X 1 + 2 X 2
Y = 10 X 1 2 X 1 + 2 X 2
Y 10 X 1 = 2 ( X 2 X 1 )
Luego, se debe correr este modelo (en este caso el modelo restringido resulta ser uno sin
intercepto) y guardar la SCErrores (restringido) con sus grados de libertad. Con esto se tiene la siguiente
informacin;

55

Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0,99977636
Coeficiente de
determinacin R^2
0,99955276
R^2 ajustado
0,90864367
Error tpico
43,028741
Observaciones
12
ANLISIS DE VARIANZA
Promedio de
Suma de
los
cuadrados
cuadrados
1 45517219,5 45517219,5
11
20366,198 1851,47255
12 45537585,7

Grados de
libertad
Regresin
Residuos
Total

Intercepcin
X2-X1

F
24584,334

Valor crtico
de F
2,7353E-18

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

0
#N/A
#N/A
#N/A
#N/A
13,5444251 0,08638361 156,793922
8,901E-20
13,354296

Superior
95%
#N/A
13,7345541

Inferior
95,0%
#N/A
13,354296

Superior
95,0%
#N/A
13,7345541

Luego se construye la prueba F, con la informacin de las ANOVAS, tanto del modelo no restringido como
el restringido.

F=

( SRC R SRC NR ) / m
( SRC NR /( n k ))

Finalmente buscamos el nivel de significancia marginal para el estadstico F calculado;

=DISTR.F(0,03177;2;9) = 0,9688
LR test.

En conclusin la hiptesis claramente no puede ser rechazada a los niveles usuales, a travs del

56

3.5. TEST DE WALD

Este es el test ms popular, pues segn el caso, puede ser el ms simple de calcular. Excel no
tiene implementado automticamente un procedimiento para este clculo, si bien la mayora de los
programas economtricos lo hacen.
El test de Wald se basa en una de las relaciones entre variables normales y la Chi cuadrado vista
anteriormente, es decir:

(b )' 1 (b ) 2 (n)
Mientras mayor sea la diferencia entre el valor de los coeficientes estimados b y el valor de los
coeficientes poblacionales hipotetizados (), mayor ser el valor calculado de la prueba, lo que incidir en
que puede ser rechazada la hiptesis de igualdad con ms fuerza.
Para el caso de que las restricciones (hiptesis) sean combinaciones lineales de los coeficientes
(sin importar el tipo de modelo subyacente), siempre podrn escribirse como:

R = r
donde R es una matriz mxk con m el nmero de restricciones y k el nmero de parmetros del modelo,
es un vector de Kx1, y r es un vector de Qx1 conteniendo los coeficientes de la derecha de las hiptesis.
Ejemplo:

Las hiptesis
como:

Ho : 1 2 = 1.0

1 1 1 1.0
0 1 = 0.0 ,

2 = 0

es decir

pueden escribirse matricialmente

1 1
R=

0 1

1.0
r=
0.0

As, la expresin general para restricciones lineales del test de Wald es:

(r R )' [R X R'](r R )

2 ( n)

donde X es la matriz de varianzas y covarianzas de los coeficientes que ha sido estimada.

Ntese que en el caso del test de Wald solo se requiere estimar el modelo no restringido, es decir
solamente conocer los coeficientes b. Este aspecto es de gran utilidad prctica por lo que la mayora del
los programas computacionales especializados automticamente implementarn un test de Wald para el
caso lineal-lineal.

3.5.1. WALD BAJO ESPECIFICACION LINEAL-LINEAL

En el caso particular que tanto el modelo como las restricciones sean lineales, puede mostrarse
que el test de Wald se comporta con una distribucin F del siguiente modo:

( R r )' R ( X ' X ) 1 R '

ms

( R r )

F (m, T K )

57

3.5.2. EJEMPLO NUMERICO DEL TEST DE WALD

Veamos el siguiente ejemplo numrico a fin de verificar distintos clculos del test de Wald, lo que
ser ilustrativo:
Ejemplo:

y
100
106
107
120
110
116
123
133
137

x2
100
104
106
111
111
115
120
124
126

x3
100
99
110
126
113
103
102
103
98

Si se desea probar ahora 2 hiptesis lineales simultneas, por ejemplo:

Ejemplo:

Ho : 1 2 = 1.0

49,34
0 1 1
0

1,3642
0 0 1 0,1138 1

'

2 = 0.0

'
0 1 1
1 0 1 1

(X ' X )

0 0 1
0 0 1

2 s2

0,2504

0,1139

'

'
0 1 1 ( X ' X ) 1 0 1 1
0 0 1
0 0 1

2s

49,34
0 1 1
0

1,3642
0 0 1 0,1138 1

F ( m, T K )

0,2504

0,1139

85,3473
2 s2

= 3,3020 F ( 2,6)

y este es el resultado del test a travs de la formulacin de Wald.

Puesto que F(2,6)= 3.30200 con Significancia 0.10787701, la hiptesis no es
rechazada.

58

3.6. TEST DEL MULTIPLICADOR DE LAGRANGE

Este test, a diferencia de los anteriores, solamente requiere conocer la estimacin del modelo
restringido, por lo que es til cuando el modelo original es relativamente complejo y la hiptesis nula es
por ejemplo que todos los coeficientes son simultneamente iguales a cero, pues el modelo restringido es
sencillo de calcular.
El test del multiplicador de Lagrange es til bajo el resultado de Engle (1982) quien muestra que
para un tamao de muestra grande, entonces asintticamente:

T R2

2 ( m)

donde m es el nmero de restricciones.

Este resultado ser particularmente til ms adelante en varias pruebas de deteccin de
heterocedasticidad y autocorrelacin (vase captulo 4).

59

3.7. PRUEBA DE SIGNIFICANCIA GLOBAL

Qu ocurre si deseamos probar la hiptesis que todos los coeficientes de pendientes son cero
(sin considerar el intercepto)? Este es justamente el llamado test de significancia global, por cuanto
permitir saber si conjuntamente las variables X tienen poder explicativo en conjunto por sobre Y.
Es decir:

Y = 0 + 1 X 1 + 2 X 2 +
Ho : 1 = 2 = .... = 0
Claramente se trata de una prueba F, donde el nmero de grados de libertad en el numerador es
m=nmero de coeficientes (sin considerar intercepto), y el nmero de grados de libertad en el
denominador es T-K.
Ejemplo: Para el ejemplo desempleo, la regresin restringida es:

Y = 0
Lamentablemente, esto modelo no puede correrse en Excel. Sin embargo, puesto que
consiste en una lnea de regresin horizontal (las pendiente son cero), entonces la SCErr
= SCT del modelo no restringido.
As, SCErr(NR)=20223,4393 con 9 gl, y SCErr(R)=32705,4353 con 11 gl, y en
consecuencia:

(132705,4 20223,4)
F=

2 = 2,777

(20223,4)
9

Finalmente, se calcula el NSM para el estadstico F:

=DISTR.F(2,7774;2;9) = 0,11496
por lo tanto no existe evidencia significativa para rechazar H0, de modo que se entiende
que hay una baja explicacin del IMACEC y del IPC respecto al desempleo.

60

3.8. PRUEBA DE EXCLUSION DE VARIABLES

Una prueba tpica de MCR es verificar si una de las variables explicativa es estadsticamente
importante en el modelo, es decir, si existe diferencia significativa entre la restriccin no restringida (con
todas las variables) y la regresin restringida (eliminando la variable en cuestin).
Esta prueba es especialmente til cuando se trabaja con modelos que tienen variables explicativas
con diferentes rezagos (modelos de series de tiempo) y se desea saber si algunos de estos rezagos
pueden ser excludos del modelo.
Note que cuando se trata de excluir solamente 1 variable, esto puede ser hecho simplemente con
la prueba t de significancia individual.
Ejemplo: Para el ejemplo del desempleo, se desea verificar si puede excluirse el ndice
de precios al consumidor, sin costo para el modelo. La hiptesis es
Bajo Ho el modelo restringido es:
es:

Ho : 2 = 0 .

Y = 0 + 1 X 1 y el resultado de la estimacin

Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0,50056508
Coeficiente de
determinacin R^2
0,2505654
R^2 ajustado
0,17562194
Error tpico
49,5081659
Observaciones
12
ANLISIS DE VARIANZA
Promedio de
Suma de
los
cuadrados
cuadrados
1 8194,85039 8194,85039
10 24510,5849 2451,05849
11 32705,4353

Grados de
libertad
Regresin
Residuos
Total

Intercepcin
imacec

F
3,34339242

Valor crtico
de F
0,09741527

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

1354,53348 446,028899
3,0368738 0,01252925 360,719164
-3,28155063 1,79467342 -1,82849458 0,09741527 -7,28033219

Superior
Inferior
95%
95,0%
2348,34779 360,719164
0,71723094 -7,28033219

Superior
95,0%
2348,34779
0,71723094

Sabemos que la SCErr(NR)=20223,4393 con 9 gl, y ahora, que SCErr(R)=24510,58.

Implementamos una prueba F, para probar la hiptesis nula:

(24510,58 20223,4)
F=

1 = 1,9079

(20223,4)
9

donde m=1 es el nmero de restricciones y T-k=9 representa los grados de libertad del
modelo no restringido.
Finalmente, calculamos el NSM:
=DISTR.F(1,9079;1;9)= 0,200522
por lo tanto no existe suficiente evidencia para rechazar la hiptesis nula, es decir, no
se rechaza que 2=0, y en consecuencia, el IPC puede ser excludo del modelo sin costo
(al 5%).

61

3.9. PRUEBA DE CAUSALIDAD (GRANGER, 1969)

Se dice que X causa en el sentido de Granger a Y, si Y puede ser predicho mejor usando
informacin pasada de Y y de X, que usando solamente informacin pasada de Y.
Veamos el concepto con un ejemplo 14: el retorno accionario de la bolsa de valores de Brasil causa
al retorno de Chile (RbrtRcht), por ejemplo, si el retorno de Chile se puede predecir mejor utilizando
valores pasados del retorno de Brasil (Rbrt-i) y del retorno de Chile (Rcht-j), que usando solamente valores
pasados del retorno de Chile.
Formalmente, se dice que Brasil (Rbrt) causa a Chile (Rcht), si existe una diferencia significativa
entre las ecuaciones (1) y (2), notando que en esta ltima ecuacin el trmino rezagado del retorno de
Brasil no est presente:
n

i =1

j =1

Rcht = 0 + i Rbrt i + j Rcht j + 1t

(1)

Rcht = 0 + j Rcht j + 1t

(2)

j =1

Aqu 0, i, j, son los coeficientes de la regresin, y 1t son las perturbaciones que se suponen
bien comportadas. La ecuacin (1) constituye la regresin no restringida, a partir de la cual puede
obtenerse la suma cuadrada de errores no restringidos (SRCnr), y la ecuacin (2) es la regresin
restringida (es decir i = 0), de la cual se obtiene la suma de los residuos al cuadrado restringidos (SRCR).
Para verificar la significancia que tiene el retorno de Brasil en la regresin usamos la prueba F
comparando la suma de los residuos al cuadrado restringidos y no restringidos de las regresines (1) y
(2), es decir una prueba de mnimos cuadrados restringidos para la exclusin de variables (ecuacin 3):

F=

( SRC R SRC NR ) / m
( SRC NR /(n k ))

(3)

donde, m es igual al nmero de trminos rezagados de Rbr (el nmero de restricciones lineales), k es el
nmero de parmetros estimados en la regresin no restringida, n el nmero de observaciones, y F sigue
una distribucin con m y (nk) grados de libertad. La hiptesis nula es que los trminos rezagados de Rbr
no pertenecen a la regresin (H0: i=0). Si el valor F calculado no excede al valor F crtico, no existirn
argumentos para rechazar la hiptesis nula (Ho: no existe causalidad), con lo cual los trminos
rezagados del retorno de Brasil no ayudan a explicar al retorno de Chile.

14

Vase a Aedo y Ziga (2001) Anlisis de Causalidad entre Bolsas Latinoamericanas, Documento de Trabajo,
Escuela de Ingeniera Comercial, U.C.N.

62

Ejemplo: Un test de causalidad de R2 hacia R1, donde R representa rentabilidad mensual,

es el siguiente: Tenemos las series temporales de precios de mercado de las las acciones
1, 2 y 3.
P1

p2

100

100

106

104

107

106

120

111

110

111

116

115

123

120

133

124

137

126

100

100

106

104

107

106

120

111

Obtenemos los rendimientos contnuos de cada accin aplicando logaritmos naturales a las
razones de precios:
LN(P1(t)/P1(t-1)) ; cambiando por p2 y p3 cuando corresponda.
Para probar la hiptesis de si existe causalidad a lo Granger de R2 a R1, corremos una regresin
en donde el rendimiento del activo 1 (R1) es explicado por los rendimientos de los activos 2 y 3, cada uno
con 1 y 2 rezagos, bajo la siguiente hiptesis nula:

R1,t = 0 + 1R1,t 1 + 2 R1,t 2 + 3 R2,t 1 + 4 R2,t 2 +

Ho : 3 = 4 = 0
Las series transformadas y reordenadas en Excel son:
R1

R1-1

R1-2

R2-1

R2-2

0,05826891
0,00938974 0,05826891
0,03922071
0,11466291 0,00938974 0,05826891 0,01904819 0,03922071
-0,08701138 0,11466291 0,00938974 0,04609111 0,01904819
0,05310983 -0,08701138 0,11466291
0 0,04609111
0,05859416 0,05310983 -0,08701138 0,03540193
0
0,07816477 0,05859416 0,05310983 0,04255961 0,03540193
0,0296318 0,07816477 0,05859416 0,03278982 0,04255961
-0,31481074
0,0296318 0,07816477 0,01600034 0,03278982
0,05826891 -0,31481074
0,0296318 -0,23111172 0,01600034
0,00938974 0,05826891 -0,31481074 0,03922071 -0,23111172
0,11466291 0,00938974 0,05826891 0,01904819 0,03922071
0,11466291 0,00938974 0,04609111 0,01904819
0,11466291
0,04609111

El modelo No restringido estimado es:

63

Resumen
Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0,56343587
Coeficiente de
determinacin R^2
0,31745998
R^2 ajustado
-0,22857204
Error tpico
0,14232138
Observaciones
10
ANLISIS DE VARIANZA
Grados de
libertad

F
0,58139443

Valor crtico
de F
0,69033198

Coeficientes Error tpico Estadstico t Probabilidad

0,00952583 0,04512862
0,2110818 0,84115682
-1,95451248 1,48187744 -1,31894341 0,24436243
-1,83643976 1,50804878 -1,21775886 0,27764342
2,44345398 2,12411549 1,15033951 0,30203135
2,50431257
2,1759706 1,15089449
0,3018231

Inferior 95%
-0,10648098
-5,7637997
-5,71300255
-3,01675871
-3,08919792

Regresin
Residuos
Total

Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X 4

Promedio de
Suma de
los
cuadrados
cuadrados
4 0,04710545 0,01177636
5 0,10127688 0,02025538
9 0,14838233

Superior
95%
0,12553264
1,85477473
2,04012302
7,90366668
8,09782306

Inferior
95,0%
-0,10648098
-5,7637997
-5,71300255
-3,01675871
-3,08919792

Superior
95,0%
0,12553264
1,85477473
2,04012302
7,90366668
8,09782306

Luego se corre una segunda regresin, donde se excluye los rendimientos rezagados del activo 2;
Resumen
Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0,22985245
Coeficiente de
determinacin R^2
0,05283215
R^2 ajustado
-0,21778723
Error tpico
0,14169533
Observaciones
10
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
Residuos
Total

Intercepcin
Variable X 1
Variable X 2

Promedio de
Suma de
los
cuadrados
cuadrados
2 0,00783936 0,00391968
7 0,14054297 0,02007757
9 0,14838233

F
0,19522678

Valor crtico
de F
0,82697869

Coeficientes Error tpico Estadstico t Probabilidad

0,01228862 0,04487075 0,27386707 0,79209195
-0,23976642 0,39281205 -0,61038459
0,5608931
-0,1024898
0,3886021 -0,26373968 0,79957601

Inferior 95%
-0,09381385
-1,16861931
-1,02138775

Superior
Inferior
95%
95,0%
0,1183911 -0,09381385
0,68908647 -1,16861931
0,81640816 -1,02138775

Superior
95,0%
0,1183911
0,68908647
0,81640816

Entonces con la informacin de las tablas ANOVA construimos la prueba F;

F=

(0,14054 0,1012769 ) / 2
= 0,96989
(0,1012769 / 5)

Finalmente, realizamos el test F (para F=0.96989 con 2 y 5 grados de libertad), donde el

resultado obtenido es de 0.4406. Puesto que el nivel de significancia de F(2,5)=0.96928 es 0.44081152,
no se puede rechazar H0.

64

3.10. TEST DE ESTABILIDAD (CAMBIO ESTRUCTURAL)

Al estimar una regresin se asume que los coeficientes son estables a travs del tiempo, sin
embargo esto puede ser falso. La prueba para cambio estructural es una F implementada por Chow
(1960), tal como veremos.
Si el periodo total, que contiene T observaciones, puede ser descompuesto en 2 conjuntos
independientes de datos con tamaos T1 y T2 (que no tienen por qu sumar T), la ecuacin de regresin
es:
Para el 1 grupo:

y1 = 10 + 11x1 + 12 x2 + ... + 1k xk + e1

Para el 2 grupo:

y2 = 20 + 21x1 + 22x2 + ... + 2k xk + e2

Una prueba de estabilidad de los parmetros entre las poblaciones es la siguiente hiptesis
simultnea:

Ho : 10 = 20 ; 11 = 21; 12 = 22 ;...; 1k = 2k

(inexistencia de cambio estructural)

Para esto usamos el test de razn de verosimilitud:

(SCErr Restr SCErr no Restr )

F=

SCErr no Restr

m F(m,T K)
T K

haciendo :
SCErr Restr
: calculando el modelo para el periodo total
SCErr No Restr : calculando por separado el modelo en cada uno de las submuestras y luego sumndolas.
m
: el nmero de restricciones, es decir el nmero de parmetros (incluyendo el intercepto)
T-k
: los grados de libertad del denominador son la suma de los grados de libertad de cada
una de las regresines de las submuestras.
Para la implementacin de dicho test se requiere que se corra una regresin para el periodo total
(modelo restringido) y dos regresines para cada periodo (modelo no restringido). El primero es un
modelo restringido pues asume que los coeficientes a travs del tiempo son estables, es decir, no tienen
un cambio significativo en el valor de los coeficientes a travs del tiempo. En cambio el otro modelo
acepta la posibilidad de cambios en la magnitud de los coeficientes. Ntese que puesto que se estimarn
3 regresiones se requiere una cantidad suficiente de observaciones en cada submuestra.
Ejemplo: Se tiene la siguiente informacin sobre ahorro e ingreso del Reino Unido 19461963 (millones de libras), y se desea determinar si existe un cambio estructural del
perodo 1946-1954 versus 1955-1963 ('Tabla 3').
a) Primero corremos una regresin para el modelo restringido (todo el periodo),
fijando la atencin en los resultados de la tabla ANOVA.
Residuos

16

0,57222646

b) Luego descomponemos las observaciones en dos submuestras (la primera desde

1946 a 1954 y la segunda de 1955 a 1963) y se corren regresines separadas de las
submuestras. Los resultados son:

65

Residuos
Residuos

7
7

0,13965034
0,19312074

c) Para la prueba F, tanto la SCErrNR como los grados de libertad del

denominador, sern la suma de los valores respectivos entregados para ambas
submuestras.

(0,572 (0,13965 + 0,193))

F=

2 = 5,03706

(0,13965 + 0.193)
14

d) Finalmente;
=DISTR.F(5,03706;2;14) = 0,02249279
Puesto que el nivel de significancia es menor a 5%, rechazamos la hiptesis
nula, lo que implica que nos inclinamos a favor de la existencia de cambio
estructural.
Ntese que en esta prueba tambin puede ser implementada a travs de variables dummies,
llegando a conclusiones equivalentes.

3.11. ESTIMANDO REGRESINES RESTRINGIDAS

En muchas ocasiones se requiere efectuar estimacines de modelos en que deben imponerse
restricciones sobre los coeficientes. El ejemplo tpico de estimaciones restringidas ocurre en la estimacin
de funciones de costo translogaritmicas, la que se puede transcribir de la siguiente manera:

ln C =

o +

i ln Qi +

i =1

jln Wj +

j =1

1 m m
ik ln Qi ln Qk +
2 i =1 k =1
1 n n
js lnWj ln Ws +
2 j =1 s=1

ij ln Qi ln Wj

i =1 j =1

donde:
0 = intercepto
C = costos totales
Qi = productos que fabrican las empresas
Wj = insumos requeridos para producir los productos
La funcin de costos tiene que ser linealmente homognea y cncava en Wj, y creciente en Qi y
Wj, por lo tanto, esta ecuacin debe estar sujeta a las siguientes restricciones:
n

j =1

j = 1 ;

j =1

js = 0 ;

ij = 0 ; ik = ki ; js = sj

j =1

En programas como RATS, esto puede hacerse fcilmente. Lamentablemente Excel no tiene
implementada esta caracterstica.

66

CAPTULO 4
VIOLACIN DE ALGUNOS SUPUESTOS

Ahora nos concentraremos en el caso en que los errores estn mal comportados, es decir, cuando
la matriz de covarianzas de los errores V=E['] ya no es escalar Identidad 15, sino que E[']=2, con
una matriz definida positiva, de modo que pueden ocurrir dos casos simples:
- V diagonal, pero con elementos distintos (heterocedasticidad).
- V no diagonal (autocorrelacin).
Anteriormente mostramos que en cualquiera de estas condiciones el estimador b de MCO es
insesgado 16, y que para calcular la matriz de varianzas de los coeficientes a travs de MCO ya no puede
hacerse la siguiente simplificacin:

E [(b )(b )'] = ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

= ( X ' X ) 1 X ' 2 I X ( X ' X ) 1 = 2 ( X ' X ) 1
sino que tendremos:

E [(b )(b )' X ] = 2 ( X ' X ) 1 X ' X ( X ' X ) 1

de tal modo que si se usa errneamente 2(X'X)-1 se sobrestimar o subestimar la verdadera matriz de
varianzas. An as, MCO es til en la mayora de las situaciones, y aun cuando se violen algunos de stos
supuestos, la estimacin de los parmetros por este mtodo sigue siendo consistente aunque ya no
eficiente, es decir no con el menor error.

15

Equivale a decir que los errores ya no son IID.

Suponiendo que se mantiene la independencia de los regresores con el trmino de error, pues si esto no ocurriera, a
travs de MCO se generan estimadores inconsistentes. Este problema ser dejado para un anlisis posterior.
16

67

4.1. MNIMOS CUADRADOS GENERALIZADOS

En este captulo mostraremos que si se usa el procedimiento de Mnimos Cuadrados Generalizados
(MCG) 17 se tendrn estimadores que superan el problema de errores mal comportados, los que como
sabemos, tienen la propiedad de ser MEI.
El procedimiento de Mnimos Cuadrados Generalizados consistente en transformar la ecuacin de
regresin con errores mal comportados (E[']=2, conocida) multiplicndola por una determinada matriz
P (TxT) a fin de obtener errores con media cero y matriz de covarianzas escalar identidad (errores bien
comportados). En este caso el estimador de los coeficientes de regresin es:

b = ( X ' 1 X ) 1 X ' 1Y
con

E [(b )(b )' X ] = 2 ( X ' 1 X ) 1

de modo que b de MCG es MELI para el caso de E['] no esfrica (es decir mal comportada) pero
conocida.
En caso de usar MCO bajo E['] no esfrica, la verdadera matriz de varianzas y covarianzas,
cuando conocemos la naturaleza de E['] debera ser la siguiente:

E [(b )(b )'] = 2 ( X ' X ) 1 X ' X ( X ' X ) 1

Sin embargo, usar MCO entregar errneamente la siguiente matriz:

E [(b )(b )'] = 2 ( X ' X ) 1

que es menor a la anterior, de modo que la existencia de heterocedasticidad / autocorrelacin lleva
siempre a una sobreestimacin de los valores t (es decir errores menores a los verdaderos). Entonces se
genera un estimador sesgado de la matriz de covarianzas de los coeficientes. Adems se tienen slo
resultados asintticos 18.

17

Puesto que es asumido que la forma de la matriz de covarianza de las perturbaciones es conocida, entonces el
procedimiento de solucin consiste en aplicar MCGeneralizados.
18
Puesto que el estadstico t ya no es una variable normal dividido por su desviacin estndar aproximada (el
estimador b de MCO es ineficiente), y adems el test F tampoco ser vlido (vase Judge 342).

68

4.2. HETEROCEDASTICIDAD
La heterocedasticidad o varianzas de los errores no constantes no suele presentarse en series de
tiempo, sino que en datos de corte transversal. En el modelo lineal general, hemos dicho que la
heterocedasticidad ocurre cuando los elementos de la diagonal de la matriz no son todos idnticos:

y = X + e
E ( e) = 0

(1)

E (ee' ) = =
2

donde es una matriz cuadrada semidefinida positiva distinta a 2I.

En la prctica esto puede ocurrir, por ejemplo, debido a que ingresos familiares menores tienden a
gastar a un ritmo ms constante (en primera necesidad), mientras que las rentas ms altas tienden a
gastar ms errticamente.

Ejemplo: Supongamos que tenemos informacin sobre de consumo e ingreso de 20 familias

(Tabla 4 del Anexo al final del libro).
Ordenamos las series en forma ascendente, en base al ingreso. Luego graficamos (scatter).

Ingreso - Consumo
50,0

Ingreso

40,0
30,0
20,0
10,0
0,0
0,0

10,0

20,0

30,0

40,0

50,0

Consumo

; notamos que efectivamente a mayores niveles de rentas existe una mayor volatilidad, es decir evidencia
de heterocedasticidad. Lamentable cuando se trata de modelos mltiples este tipo de grfico no tendr
sentido, aunque un grfico de los residuos de la regresin respecto a la serie de variable dependiente
entregar alguna evidencia.
Luego graficamos el consumo versus los errores (click en Grfico de Residuales);

69

Ingreso Grfico de los residuales

Residuos

2,5
2
1,5
1
0,5
0
-0,5 0,0
-1
-1,5
-2

10,0

20,0

30,0

40,0

50,0

-2,5
-3
Ingreso

Ahora se ve ms claramente la existencia de heterocedasticidad.

4.2.1. CORRECCIN CON MCG ( CONOCIDA)

Supongamos que la matriz de covarianzas de los errores tiene la siguiente forma:

12 0
0

2
0 2 0
E (ee' ) = = 0
0 32

... ... ...

0
0
0

0
2
2
2
2
... 0 = diag ( 1 , 2 , 3 ,... T )

...
... T2
...
...

Puede verificarse que la transformacin de MCG apropiada es:

1 / 1

0
P= 0

...
0

0
1/ 2
0
...
0

0
0
1/ 3
...
0

0
1
1
1
1
0 = diag ( 1 , 2 , 3 ,... T )

...
... 1 / T

...
...
...

puesto al multiplicar el modelo heterocedstico en (1), se tiene que as la varianza de los errores
resultante es homocedstica (una constante igual a 1).

En efecto:
Y = X + e

/P

PY = PX + Pe

70

Y* = X** + e*
La varianza de los errores del modelo anterior es:
V(e*) = P2V(e) = I = una constante (homocedaticidad)
es decir:

var( *) = E ( ) = E t
t
*2
t

=1

El procedimiento de MCG es entonces es dividir cada observacin por la desviacin estndar del
error correspondiente a esa observacin, procedimiento que se llama Mnimos Cuadrados Ponderados.

71

4.2.2. DETECCION DE LA HETEROCEDASTICIDAD

El procedimiento inicial de deteccin es el grfico, pero muchas veces el patrn de la
heterocedasticidad no puede ser apreciado grficamente, de modo que existe una batera de tests para la
hiptesis:
Ho: Homocedasticidad
entre los cuales destacamos, para el ejemplo anterior, los siguientes:

1.- Test de Goldfeld y Quandt (1972)

Es un test F, en que se comparan los residuos de regresines corridas a dos partes distintas de la
muestra, de modo que se requiere un nmero relativamente alto de observaciones.
a) Primero ordenamos por X ( por Y sin son varias X). Dividimos T en 2 grupos (a veces se sugiere dejar
libre en el medio algunas).
b) Se corren regresines separadas para cada una y se guarda la Suma Cuadrada de Errores y los grados
de libertad.
En la prueba F se sugiere dejar la mayor varianza en el numerados, y la menor varianza en el
denominador.
Ejemplo: Tomemos el caso del consumo explicado por el ingreso 'Tabla 04.xls',
descomponiendo las observaciones en 2 submuestras de 10 observaciones cada una. La salida
para la primera regresin es;
Solucin:
Para la 1 regresin

Regresin
Residuos
Total

Grados de libertad Suma de cuadrados

1
1449,390497
8
20,649503
9
1470,04

Para la 2 regresin:

Regresin
Residuos
Total

Grados de libertad Suma de cuadrados

1
654,8411093
8
10,24789069
9
665,089

c) Se calcula el test F y su significancia

SCErr2
gl 2
10,25 / 8
=
= 0,49
F=
SCErr1 20,65 / 8
gl1
F tabulado =Distr.F.inv(0,05;8;8)=3,43
NSM =Distr.F(0,49;8;8)=0,82

72

;* concluimos que en este ejemplo no tenemos evidencia suficiente para rechazar

homocedasticidad.
2.- Arch Test de White (1980):
Es una prueba Chi Cuadrado que es una variacin del test de Breush y Pagan (1979), donde se
corren los residuos cuadrados contra los regresores, sus cuadrados y en algunos casos sus productos.
Ejemplo : y = B0
ERR2 =
X2X2 =
X2X3 =
X3X3 =

+ B1 x2 + B2 x3; los errores son almacenados en la serie ERR

ERR^2
X2^2
X2^3
X3^2

err2 = b0 + b1 X2 + b2 X3 + b3 X2X2 + b4 X3X3

T R 2 2 (k )
El nmero de grados de libertad en el test chi es aqu el nmero de variables explicativas, es decir el
nmero de parmetros menos 1 (menos el intercepto).
Ejemplo: En nuestro caso, 'Tabla 04.xls', luego de corrida la regresin original,
guardamos los errores y transformamos la series ingreso y de residuos, elevndolas al
cuadrado. Obtenemos;
consumo = b0 + b1 ingreso
err2 = ERR^2
X2X2 = ingreso^2
Corremos ahora una regresin de los residuos cuadrados contra ingreso e ingreso
al cuadrado.
err2 = b0 + b1 ingreso + b2 X2X2
chistat = 0,8781*20 = 17,6
Chi tabulado = Pruebachi.inv(0,05;2) = 5,99
NSM = distr.chi(17,6;2) = 0.00015360
* y hay evidencia para rechazar homocedasticidad.

Centramos la atencin en el resultado de R-Cuadrado, ya que ste multiplicado por el nmero de

observaciones nos permitir obtener el estadstico Chi-2 para la obtener el nivel de significancia. En este
caso; Chistat = 0.878*120 = 17.56. Finalmente, realizamos el test Chi; 1-CDF.CHISQ(17.56,2) =
0.000154; el nmero de grados de libertad en el test chi es aqu el nmero de variables explicativas, es
decir el nmero de parmetros menos el intercepto.

73

3.- Arch Test de Engle (1982):

Para el caso de error del tipo ARCH(1), es decir:

u t N (0, 2 (1 + u 2 t 1 ))
el test consiste en regresionar los residuos al cuadrado sobre su 1 rezago. Para el caso de error del tipo
ARCH(2), se regresionan los residuos al cuadrado sobre su 1 rezago y 2 rezago. As sucesivamente.
Ejemplo: Para el ejemplo anterior, los residuos al cuadrado se rezagan 1, 2 y 3
observaciones, es decir se hace una especificacin ARCH(3). Los resultados relevantes de
la regresin son;
consumo = b0 + b1 ingreso
err2 = err^2
err2 = b0 + b1 err2{1} + b1 err2{1} + b1 err2{1} ;especificacin ARCH(3)
chistat = 0,2257*17 = 3,83
Chi Tabulado = pruebachi.inv(0,05;3)=7,814
NSM=distr.chi(3,83;3)=0,27
Y no se rechaza Ho.

Nuevamente para obtener el estadstico Chi se multiplica el R-Cuadrado por el nmero de observaciones.

74

4.2.3. CORRIGIENDO POR HETEROCEDASTICIDAD: MC PONDERADOS

Los modelos de regresin tpicos asumen que la varianza es constante en la poblacin. Si las
diferencias de variabilidad se pueden estimar a travs de otra variable, es posible calcular los coeficientes
mediante mnimos cuadrados ponderados (MCP), de manera que se les de mayor ponderacin a las
estimacines mas precisas (es decir, aquellas con menos variabilidad) al determinar los coeficientes de
regresin. Algunos programas de computacin calculan el procedimiento 'Weight Estimation', que
contrasta varios tipos de transformaciones de ponderacin, e indica cual se ajustar mejor a los datos.
Puesto que en general no se conoce exactamente la forma de la heterocedasticidad, lo ms comn
para intentar reducirla es deflactar/ponderar a partir de alguna medida de tamao. Una alternativa similar
es transformar los datos a travs de logaritmos.
Para explicar el mtodo de MC Ponderados, supongamos que se tiene el siguiente modelo de
regresin lineal simple:

yt = 1 + 2 xt + et
En el caso ms simple, se desea corregir por heterocedastididad usando la misma variable xt. Para
esto debe multiplicarse el modelo original como sigue:

yt
xt

1
xt

xt

+ 2

xt

yt* =

yt

x1*t =

1
xt

x 2*t =

xt

et
xt

xt

xt

De este modo, el modelo a estimar (corregido) es el siguiente:

y t* = 1 x1*t + 2 x 2*t + et*

Ntese que para estimarlo debe correrse una regresin con 2 variables explicativas y sin
intercepto.
Ejemplo: Una empresa area desea calcular el consumo de combustible por viaje de sus
aviones (C, en miles de litros de kerosene), en funcin de la distancia recorrida por los
mismos (D en miles de kilmetros). Se tiene tambien el nmero de pasajeros que
transportan (P) (ver tabla de datos abajo). Para ello usa el siguiente modelo:

C j = 0 + 1 D j + e j
Se desea correr mnimos cuadrados ponderando por P.
Haciendo las transformaciones paso a paso, debemos generar nuevas series multiplicando las
originales por en inverso de la raiz cuadrada de la serie Pasajeros.

75

y* = Kerosene / (pasajero) ^0.5

x2* = Kilometro / (pasajero) ^0.5
La segunda variable del modelo (que corresponde al intercepto) es:
x1* = 1 / (pasajero) ^0.5
Kerosene

kilometros
11
14
10
13
16
13
13
18
9
10

pasajeros
23
29
21
27
30
29
25
35
20
22

93
91
105
90
99
80
100
100
96
92

K*
x1*
x2*
1,14064686 0,10369517
2,3849889
1,46759877 0,10482848 3,04002603
0,97590007 0,09759001 2,04939015
1,37032032 0,10540926 2,84604989
1,6080605 0,10050378 3,01511345
1,45344419
0,1118034 3,24229857
1,3
0,1
2,5
1,8
0,1
3,5
0,91855865 0,10206207 2,04124145
1,04257207 0,10425721 2,29365855

La regresin debe correrse sin intercepto:

Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0,9986603
Coeficiente de
determinacin R^2
0,9973224
R^2 ajustado
0,8719877
Error tpico
0,0772815
Observaciones
10
ANLISIS DE VARIANZA
Promedio de
Suma de
los
cuadrados
cuadrados
2 17,7963658 8,89818291
8 0,04777944 0,00597243
10 17,8441453

Grados de
libertad
Regresin
Residuos
Total

Intercepcin
x1*
x2*

F
1489,87641

Valor crtico
de F
6,2323E-10

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

0
#N/A
#N/A
#N/A
#N/A
-2,32157884 1,41944525 -1,63555364 0,14057161 -5,59482547
0,5739753 0,05351484 10,7255345 5,0199E-06 0,45056985

Superior
Inferior
95%
95,0%
#N/A
#N/A
0,95166778 -5,59482547
0,69738074 0,45056985

Superior
95,0%
#N/A
0,95166778
0,69738074

Los resultados de esta regresin se asume entonces que estn libres del problema de la
heterocedasticidad (habra que verificarlo). Lamentablemente el procedimiento de MCPonderados afecta la
interpretacin de los coeficientes de la regresin.

76

4.3. CORRELACIN SERIAL

La correlacin serial ocurre cuando el trmino de error de un periodo est correlacionado con el de
otro periodo. Ocurre principalmente en series de tiempo. Posibles motivos para la aparicin de correlacin
serial son el sesgo de especificacin (una forma funcional incorrecta o variables excluidas) y los modelos
autorregresivos (donde los errores son intrnsecamente correlacionados), es decir aquellos modelos en
que aparece como variable explicativa la variable explicada rezagada (Yt-1).
La especificacin siguiente define un modelo lineal general con errores auto correlacionados de 1
orden, AR(1):

y = X +
t = t 1 + v t
E (v ) = 0
E (vv' ) = v I
2

donde es el coeficiente de correlacin entre los errores sucesivos, e es el error auto correlacionado, y v
es un error bien comportado.
Al igual que en el caso de la heterocedasticidad, en los casos simples es posible detectar esta
anomala graficando los residuos, como veremos en el siguiente ejemplo:
Ejemplo: Supongamos que disponemos de informacin anual de inventarios (Y) y de ventas
(X) en una determinada regin (Inventarios_Ventas.xls). Luego graficamos inventarios
versus los errores.

15
10

Errores

5
0
0

50

100

150

200

250

-5
-10
-15
Inventario

El grfico muestra que efectivamente los errores poseen un patrn cclico, lo que en este caso se
traducira en errores auto correlacionados positivamente.

77

4.3.1. CORRECCIN CON MCG ( CONOCIDA)

Puede mostrarse que en el caso de un proceso AR(1) 19 de los errores la esperanza y covarianza
de stos es respectivamente como sigue:

E ( ) = 0
Var ( ) =

v2
1 2

v2
E ( t t 1 ) = E ( t21 ) + E ( t 1 v t ) = e2 =
2
1
v2
E ( t t s ) = =
2
1
s

2
e

donde la correlacin entre cualquier par de errores es s, y entre errores consecutivos es . Haciendo
sustitucin recursiva puede tambin mostrarse que el error auto correlacionado puede escribirse como un
proceso autorregresivo:

t = vt + vt 1 + 2 vt 2 + ... = i v t i
i =0

y cuando ||<1 se dice que el proceso autorregresivo es estacionario, es decir la media y varianza de e no
cambian a travs del tiempo. En este caso puede mostrase que la matriz de covarianzas de los errores
tiene la siguiente forma:

2
v
2
=v =
1 2
T 1

T 1

T 2

T 2

y que la matriz P apropiada para efectos de correccin por MCG es:

1 2

P= 0

...
0

0
1

0
...
0
...
...
1
... ... ...
0 ...

0
0

...
1

En efecto, al multiplicar la matriz Y y la matriz X por P (es decir implementar MCG) se generan las
siguientes series nuevas para Y y para (no incluimos la transformacin de X pues es trivial):

19

El concepto de procesos autorregresivo (AR) y procesos ARIMA son desarrollados en el captulo 8 y 9.

78

 1 2

P Y = 0

1 2

P = 0

0
1

0 Y1 Y1 1 2

0 Y2 Y2 Y1

.
0 . =

1 YT YT YT 1

0 1 1 1 2

0 2 2 1

.
0 . =

1 T T T 1

0
1

Puesto que anteriormente especificamos que

t = t 1 + vt , tal que V estaba bien comportado,

entonces el nuevo error en el modelo transformado (P=*) est efectivamente bien comportado, con lo
cual se corrige el problema de errores autocorrelacionados.
Ntese que la solucin de la correlacin de 1 orden consiste en calcular primeras diferencias a las
series, es decir restar a cada valor de Y su valor anterior, multiplicado por , es decir Yt*=Yt-Yt-1. Este
procedimiento particular de MCG es llamado Primeras Diferencias Generalizadas. Note que si =1, se
tienen primeras diferencias simples.

79

4.3.2. DETECCION DE AR(1): DURBIN-WATSON (1951)

Si bien el procedimiento inicial de deteccin es normalmente el grfico (errores versus X, Y 20), el
procedimiento de Durbin-Watson (DW) es el estndar.
El test de DW mide solamente la asociacin entre residuos adyacentes (correlacin serial de 1
orden) y requiere un intercepto en la regresin. El test de DW es el siguiente:

d=

T
t =2

(e t e t 1 ) 2

T
t =1

et2

el que puede mostrarse se encuentra entre 0 y 4, tal que:

Si d cercano a 0, existe correlacin de 1 orden en los residuos positiva.
Si d cercano a 2, no hay correlacin de 1 orden
Si d cercano a 4, la correlacin es perfecta negativa.
Para probar Ho: no existe correlacin, Durbin-Watson tabularon las zonas de indecisin buscadas
en la tabla de DW para T observaciones y K parmetros y un error de % es como sigue:
dl y du
= son los lmites inferior y superior de la zona de indecisin para el caso de sospecha de
autocorrelacin positiva. Deben buscarse en una tabla.
4-du y 4-dl
= son los lmites inferior y superior de la zona de indecisin para el caso de sospecha de
autocorrelacin negativa.
En trminos grficos:

Z o n a s d e in d e c is i n

dl

du

A R p o s itiv a

4 -d u

4 -d l

A R N e g a tiv a

No AR

Note que cuando T es grande, al resolver la suma del binomio al cuadrado en el numerador, el
primer trmino al cuadrado es igual al segundo trmino al cuadrado, entonces:

d 2 1

ee
e
t

t 1

2
t

~
= 2(1 )

20

A diferencia de la deteccin grfica de la heterocedasticidad, aqu los errores al cuadrado normalmente no son de
utilidad.

80

donde es el coeficiente de correlacin estimado entre et y et-1. Luego, conocido el valor del test de
Durbin-Watson, d, podemos despejar un estimador de , puesto que =1-d/2.
Ejemplo: En el ejemplo anterior de inventario y ventas (Inventarios_Ventas.xls),
corremos la regresin como de costumbre, y calculamos paso a paso el test Durbin-Watson:
Et
-3,14065594
-3,21951873
-2,11951873
-2,89811373
-3,87155832
-4,06072192
-5,2970425
-1,85965069
2,23004851
1,93058412
4,30998253
8,95198913
4,89453134
-1,08867844
-1,00305841
12,9459732
10,3093848
2,40584127
-7,3714147
-12,0484029

Et-1
-3,14065594
-3,21951873
-2,11951873
-2,89811373
-3,87155832
-4,06072192
-5,2970425
-1,85965069
2,23004851
1,93058412
4,30998253
8,95198913
4,89453134
-1,08867844
-1,00305841
12,9459732
10,3093848
2,40584127
-7,3714147

(Et-Et-1)^2
0,00621934
1,21
0,60621016
0,94759438
0,03578287
1,5284886
11,8156625
16,7256396
0,08967892
5,66153679
21,5482253
16,4629637
35,7987993
0,00733079
194,575484
6,95159836
62,4660009
95,5947342
21,8742182
493,906167

Et^2
9,86371971
10,3653009
4,49235967
8,39906318
14,9889638
16,4894625
28,0586593
3,4583007
4,97311637
3,72715506
18,5759494
80,1381094
23,956437
1,18522074
1,00612617
167,598223
106,283416
5,78807221
54,3377546
145,164011
708,849421

Luego d = 493,9 / 708,849 = 0,6967. Puesto que T=20, y K=2, buscamos en la tabla de DW al 5%, y
dl=1.201 y du=1.411 que constituye el rango de indecisin. Puesto que 0.69677 < 1.201 tenemos
evidencia suficiente para rechazar la hiptesis nula a cambio de AR positiva.

81

82

4.3.3. DETECCION EN MODELOS CON Y REZAGADA: Test h de Durbin

El test de DW es sesgado cuando existen variables dependientes rezagadas (yt-1) y en los modelos
de tiempo del tipo ARMA. En el primer caso debe usarse el test h de Durbin (1970), que es ms simple y
robusto en este tipo de situaciones.
En efecto, cuando se tiene un modelo con variables explicativas rezagadas (un modelo AR),
entonces esa variable se relaciona con el trmino de error, lo que viola gravemente un supuesto del
sistema lineal, entregando estimaciones sesgadas e inconsistentes del coeficiente de yt-1. Tambin el
estadstico DW estara sesgado hacia 2, de modo que en muchos casos no detectaramos correlacin
aunque existiera.
El test h de Durbin para detectar AR (Ho: no autocorrelacin), es el siguiente:

h =

T
N (0,1)
1 T V (b1 )

Como se ve, este test es de carcter asinttico (vlido en grandes muestras) y se distribuye
normal estndar, de modo que lamentablemente tiene bajo poder para muestras pequeas.
Aqu V(b1) es la varianza del coeficiente que contiene la serie Y rezagada. puede ser obtenido a
partir del test DW anterior. Note que no est definido para T*V(b1)>0, de modo que en este caso h=0.
Ejemplo:

Una estimacin de demanda por alimentos, con T=50 entrega el siguiente

resultado:
Log Qt = 0.65 - 0.31 log Pt + 0.45 log Yt + 0.65 log Qt-1
Err st
(0.14) (0.05)
(0.20)
(0.14)
R2 = 0.90 y
DW = 1.8
La varianza del coeficiente de Qt-1 es 0.14**2 = 0.0196.
H = 0.1 * (50/(1-50*0.0196))**0.5 = 5.0 (vs. 2.575) que es significativo al 1%
y rechazamos =0.

Ejemplo:

Un clculo ms general para el test es el siguiente:

LINREG Y
# CONSTANT Y{1} X1 X2
COM DENOM=1-%NOBS*%SEESQ*%XX(2,2)
IF DENOM>0
COM H=%RHO*SQRT(%NOBS/DENOM)
ELSE
COM H=0.0
END IF
CDF NORMAL H

Esto es, usando un ciclo que determinar automticamente si el denominador es cero o no, y
aplicando en cada caso el test que corresponda.

83

4.3.4. DETECCIN DE LA AUTOCORRELACIN DE ORDEN SUPERIOR

a) Test de BREUSCH (1978) Y GODFREY (1978)
Es una generalizacin Chi cuadrada en base al test LM del test h de Durbin, y permite probar Ho:
inexistencia de correlacin de orden N. Generalmente se prueba para 3 orden:

H 0 : 1 = 2 = 3 = 0

Ejemplo: En el ejemplo anterior de inventario y ventas (Inventarios_Ventas.xls),

corremos una regresin guardando los errores. Luego, regresionamos el inventario (Y)
contra las ventas y los errores rezagados desde 1 a 3.
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Inventario
58,2
60
63,4
68,2
78
84,7
90,6
98,2
101,7
102,7
108,3
124,7
157,9
158,2
170,2
180
198

Ventas
33,4
35,1
37,3
41
44,9
46,5
50,3
53,5
52,8
55,9
63
73
84,8
86,6
98,8
110,8
124,7

Et-1
-2,11951873
-2,89811373
-3,87155832
-4,06072192
-5,2970425
-1,85965069
2,23004851
1,93058412
4,30998253
8,95198913
4,89453134
-1,08867844
-1,00305841
12,9459732
10,3093848
2,40584127
-7,3714147

Et-2
-3,21951873
-2,11951873
-2,89811373
-3,87155832
-4,06072192
-5,2970425
-1,85965069
2,23004851
1,93058412
4,30998253
8,95198913
4,89453134
-1,08867844
-1,00305841
12,9459732
10,3093848
2,40584127

Et-3
-3,14065594
-3,21951873
-2,11951873
-2,89811373
-3,87155832
-4,06072192
-5,2970425
-1,85965069
2,23004851
1,93058412
4,30998253
8,95198913
4,89453134
-1,08867844
-1,00305841
12,9459732
10,3093848

Calculamos el estadstico Chi-2 multiplicando el R2 por T (0,991*17=16,84).

Chi Tabulado = prueba.chi.inv(0,05;3)=7,81
NSM = distr.chi(7,81;3)=0,000759. Es decir existe AR hasta 3 orden.

84

b) Test Q de Ljung y Box (1978) (Box-Jenkins model identification) 21

En un test muy popular para detectar correlacin serial de altos rdenes, aunque sus resultados
son tambin asintticos, es decir tiene baja potencia para correlaciones de bajos rdenes.
M

Q( M ) = T (T + 2)
i =1

ri 2
(T i )

2 (M )

donde ri es el coeficiente de autocorrelacin de los residuos al i-simo rezago. M es el nmero de

autocorrelaciones usadas, es decir M=1; M=2; etc, y la hiptesis es:
Ho: los coeficientes de correlacin son cero, 1, 2, 3.....M=0
Se sugiere que la hiptesis se establezca de 1 = 0 hasta M, donde M es dado por:

T
M = min , 3 T

4
excepto para modelos ARIMA, en que el nmero de grados de libertad es M-(nmero de parmetros
ARMA).
Nota: Cuando se calculan autocorrelaciones para pruebas de correlacin serial y evaluacin de modelos
de autocorrelacin, es deseable usar el mismo divisor a cualquier rezago, lo que preserva varias
propiedades deseables para varias consideraciones relacionadas con series de tiempo. Es decir, se
recomienda:
T

rt ,t i =

e e
t =2
T

t i

e
t =1

en lugar de rt ,t i =

2
t

e e
t =2

t i

t =2

t =2

et2 et2i

En consecuencia, por este motivo los resultados de esta prueba pueden variar levemente.
Ejemplo: En el ejemplo anterior (Inventarios_Ventas.xls) se desea calcular el test Q
para diferente nmero de rezagos, desde 1 a 5. Los resultados usando la frmula de
clculo anterior es:

0,6136 2
2
Q(1) = 20(22)
= 8,71 (1) = 3,84
20
1

2
0,6136
0,040 2
2
Q(2) = 20(22)
+
= 8,75 (2) = 5,99
20 2
20 1
0,6136 2 0,040 2 0,232
+
+
Q(3) = 20(22)
= 10,23
20 2
20 3
20 1

2 (3) = 7,81

21

Un test previo (ya obsoleto) fue el de Box-Pierce(1970):

Q * (k ) = T ri 2 2 (k )
i =1

85

Ljung-Box Q-Statistics
Q(1) =
8,71. NSM= 0,003149
Q(2) =
8,75. NSM= 0,01258
Q(3) =
10,23. NSM= 0,01670
Luego, hay evidencia de autocorrelacin hasta el 3 orden al 1% pero no al 5%.

86

4.3.4. CORRIGIENDO LA AUTOCORRELACION EN EXCEL

4.3.4.1. Primeras Diferencias

Hemos dicho que la forma de corregir la autocorrelacin de errores de primer orden en RATS es a
travs de primeras diferencias generalizadas (PDG), para lo cual es requerido una estimacin del
coeficiente de correlacin de los errores (). La forma ms simple es obtener una estimacin de a partir
del estadstico DW, sin embargo veremos mtodos ms precisos de estimacin a travs de la instruccin
AR1.
Veamos la implementacin de PDG a travs de un ejemplo:
Ejemplo:

En el ejemplo de inventarios y ventas (Tabla 5):

el modelo sin corregir:

Intercepcin
Ventas

Coeficientes Error tpico Estadstico t

6,60808463 3,32914979 1,98491659
1,631438 0,05097468 32,0048706

Durbin Watson: 493,906/798,848=0.69677. Puesto que dl=1,2 y du=1,41, hay evidencia de

autocorrelacin de 1 orden positiva.

a) Aplicando Primeras Diferencias:

Intercepcin
dX

Coeficientes Error tpico Estadstico t

0,98563788 1,76329147 0,55897615
1,33869576 0,26216392 5,10633114

Durbin Watson: 782,18/456,26=1,71. Puesto que dl=1,18 y du=1,40, no hay evidencia de

autocorrelacin de 1 orden positiva.

87

b) Aplicando Primeras Diferencias Generalizadas:

= 1-%DURBIN/2 = 0.65161 es la estimacin de basada en DW
T
1
2
...
T

Y(*)
(1-^2)^0,5 * Y
Yt-Yt-1
...
Yt-Yt-1
Y(*)
40,1275
19,3298
19,8434
22,4266
22,0763
24,3034
26,8879
33,5602
33,8744
35,4086
39,1641
37,7119
36,4313
41,3797
54,1306
76,6442
55,3108
67,1153
69,0960
80,7102

Intercepto
(1-^2)^0.5
1-
...
1-
intercepto
0,7586
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484
0,3484

X(*)
(1-^2)^0,5 * X
Xt-Xt-1
...
Xt-Xt-1

X(*)
22,9842
11,1562
10,7653
13,2653
13,3362
14,4285
16,6949
18,1840
17,2427
20,0001
20,7240
17,9389
21,4950
26,5750
31,9486
37,2325
31,3435
42,3706
46,4209
52,5016

La regresin a correr (sin intercepto) es Y(*) = B1*Intercepto + B2*X(*)

Estadsticas de la regresin
Coeficiente de correlacin mltiple
0,99495861
Coeficiente de determinacin R^2
0,98994264
R^2 ajustado
0,93382834
Error tpico
4,83628351
Observaciones
20

Intercepcin
intercepto
X(*)

Coeficientes Error tpico Estadstico t

0
#N/A
#N/A
9,83147214 5,79735915 1,69585356
1,56026736 0,08129833 19,1918757

Puesto que el nuevo Durbin-Watson = 1.259994 y dl=1.201 y du=1.411, se est ahora en la

zona de indecisin.

88

4.3.4.2. PDG: Mtodos Alternativos

Existen varias opciones para la estimacin del coeficiente .
a) Mtodo iterativos:
El principal mtodo es el de Cochrane-Orcutt (1949), que corresponde a la opcin CORC en RATS.
Consiste en correr el modelo original y guardar los residuos. Luego correr los residuos contra los residuos
rezagados (sin intercepto). Implementar PDG, calcular los residuos sobre el modelo original pero con los
nuevos coeficientes estimados y estimar nuevos residuos. Correr nuevamente PDG usando la ultima
estimacin de . As sucesivamente hasta converger en la estimacin de . Estos mtodos iterativos son
ms rpidos, sin embargo no garantizan que se encuentre el ptimo. Si hay variables dependientes
rezagadas CORC entrega un resultado sesgado, y debe usarse HILU.
b) Mtodo no iterativos:
El principal es el de Hidreth-Lu (1960), que corresponde a la opcin HILU en RATS. Consiste en
calcular PDG usando diferentes valores de entre -1 y 1. Se escoge aquel que entregue la menor Suma
Cuadrada de Residuos. En muestras grandes entrega el mismo resultado de Mxima Verosimilitud.
Otros mtodos basados en el criterio de mxima verosimilitud se implementan en RATS con la
opcin SEARCH y con MAXL.
Podemos verificar estos resultados usando la instruccin AR1 con la opcin CORC y MAXL de
RATS siguiendo el ejemplo anterior.
Ejemplo:

La correccin de Cochrane-Orcutt:
AR1(METHOD=corc) inventario
# CONSTANT ventas
Dependent Variable INVENTARIO - Estimation by Cochrane-Orcutt
Annual Data From 1980:01 To 1998:01
Usable Observations
19
Degrees of Freedom
16
Centered R**2
0.989581
R Bar **2
0.988278
Uncentered R**2
0.998409
T x R**2
18.970
Mean of Dependent Variable
105.87894737
Std Error of Dependent Variable 46.17620333
Standard Error of Estimate
4.99934157
Sum of Squared Residuals
399.89465850
Durbin-Watson Statistic
1.443620
Q(4-1)
6.140217
Significance Level of Q
0.10498413
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
15.871887522 9.651170285
1.64456 0.11956256
2. VENTAS
1.492261658 0.113915934
13.09967 0.00000000
*******************************************************************************
3. RHO
0.743057461 0.197925645
3.75423 0.00173224
;* el coeficiente estimado es 0.743057461

89

Ejemplo:

La correccin de Hidreth-Lu
AR1(METHOD=hilu) inventario
# CONSTANT ventas
Dependent Variable INVENTARIO - Estimation by Hildreth-Lu
Annual Data From 1980:01 To 1998:01
Usable Observations
19
Degrees of Freedom
16
Centered R**2
0.989581
R Bar **2
0.988278
Uncentered R**2
0.998409
T x R**2
18.970
Mean of Dependent Variable
105.87894737
Std Error of Dependent Variable 46.17620333
Standard Error of Estimate
4.99934157
Sum of Squared Residuals
399.89465850
Durbin-Watson Statistic
1.443629
Q(4-1)
6.140247
Significance Level of Q
0.10498272
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
15.872102891 9.651368445
1.64454 0.11956494
2. VENTAS
1.492259063 0.113917491
13.09947 0.00000000
*******************************************************************************
3. RHO
0.743063504 0.197924711
3.75427 0.00173206
;* el coeficiente estimado es 0.743063504

Al implementar la correccin AR1 en RATS, por simplicidad no se considera que la primera

observacin tiene un tratamiento diferente de las dems, de modo que en realidad lo que se hace es
aplicar el procedimiento de PDG a las T observaciones. Verifiquemos entonces a travs del siguiente
ejemplo como se implementa el procedimiento de Cochrane-Orcutt.
Ejemplo:

Para los datos del ejemplo de inventario y ventas, ntese que es posible
verificar paso a paso el resultado de la estimacin de Cochrane-Orcutt anterior
como sigue:
COM RO = 0.743057461

;* definimos como el obtenido en CORC

SET YP = inventario-RO*inventario{1}
SET X2P = ventas-RO*ventas{1}
SET X1P = 1-RO*1
LINREG YP
# X1P X2P
...
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. X1P
15.871887527 9.363010474
1.69517 0.10828013
2. X2P
1.492261658 0.110514689
13.50284 0.00000000
;* que corresponde al mismo resultado de CORC.

90

4.4.

ESTIMACION ROBUSTA

Si la forma de la varianza de los errores, E('), es conocida, puede ser posible obtener
estimadores eficientes usando alguna forma de Mnimos Cuadrados Generalizados, tal como MCP (con
opcin SPREAD en RATS) o a travs de PDG (con la instruccin AR1 en RATS).
Sin embargo, si esto no ocurre, es decir, si no se tiene informacin acerca de la forma de E('),
White(1980) y Newey y West (1987) mostraron que es posible obtener estimaciones robustas de los
coeficientes de regresin ante autocorrelacin y heterocedasticidad, es decir resultados vlidos para
grandes muestras (propiedades asintticas). Veamos la mecnica de este procedimiento, llamado
estimacin robusta.
Sabemos que la varianza de los coeficientes es:

cov( ) = ( X ' X ) 1 X ' E ( ' ) X ( X ' X ) 1

o alternativamente:

cov( ) = ( X ' X ) 1 m cov( X , ) ( X ' X ) 1

donde
= son los errores del modelo de regresin
X = es la matriz de variables explicatorias
El procedimiento de estimacin robusta define la matriz mcov de diferentes modos, como veremos
a continuacin, a efectos de corregir la varianza de los errores y por este intermedio la matriz de
covarianzas de los coeficientes.
Ejemplo:

Si se tiene un modelo lineal del tipo

Yt = 0 + 1 X 1 + 2 X 2 + t

y T=9

observaciones como sigue.

ALL 9
DATA(UNIT=INPUT,ORG=OBS) / y x1 x2
100
100
100
106
104
99
107
106
110
120
111
126
110
111
113
116
115
103
123
120
102
133
124
103
137
126
98
linreg y
# constant x1 x2
Dependent Variable Y - Estimation by Least Squares
Usable Observations
9
Degrees of Freedom
Centered R**2
0.938502
R Bar **2
0.918003
Uncentered R**2
0.999376
T x R**2
8.994
Mean of Dependent Variable
116.88888889
Std Error of Dependent Variable 12.55432639
Standard Error of Estimate
3.59493951
Sum of Squared Residuals
77.541540508
Regression F(2,6)
45.7825
Significance Level of F
0.00023258
Durbin-Watson Statistic
1.635298

91

Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
-49.34133898 24.06088696
-2.05069 0.08616009
2. X1
1.36423789
0.14315290
9.52994 0.00007617
3. X2
0.11388062
0.14337364
0.79429 0.45728186

;* construimos la variable sigmaid conteniendo el error estndar de la

estimacin (E()), y X la matriz conteniendo las variables explicativas (y un
vector de unos como intercepto). Podemos calcular la matriz de covarianzas de
los coeficientes como sigue:
com var =inv((tr(X)*X))*(tr(X)*X *sigmaid)*inv((tr(X)*X))
WRI VAR
578.9263
-2.6911
-2.5792

-2.6911
0.0205
3.5420e-003

-2.5792
3.5420e-003
0.0206

do II=1,3
wri (var(II,II))**0.5
end do
;* las desviaciones estndar de los coeficientes son
24.0609
0.1432
0.1434
;* que corresponde al resultado del modelo sin corregir.

4.4.1. CORRECCION DE WHITE (1980)

Intenta corregir solamente por heterocedasticidad reemplazando 2 en 2(XX) por una matriz TxT
que contiene en su diagonal cada error al cuadrado, es decir pre y postmultiplicar XX por el vector de
errores.

m cov = t t X t ' X t k t k
y hacemos ddiag es la matriz diagonal que contiene los errores al cuadrado en la diagonal.
Ejemplo:

En el ejemplo anterior, obtenemos la matriz mcov corregida:

com var =inv((tr(X)*X))
WRI VAR
283.2035
-0.8457
-1.8279

*(tr(X)*ddiag*X)

-0.8457
7.7754e-003
-8.9365e-005

*inv((tr(X)*X))

-1.8279
-8.9365e-005
0.0177

do II=1,3
wri (var(II,II))**0.5
end do
16.8287
0.0882
0.1332
;* son los errores estndar de los coeficientes bajo la correccin de White.

92

En RATS la correccin anterior (solamente por heterocedasticidad) implica usar la opcin

ROBUSTERRORS (sin LAGS).
Ejemplo:

linreg(robusterrors) y
# constant x1 x2
Dependent Variable Y - Estimation by Least Squares
Usable Observations
9
Degrees of Freedom
Centered R**2
0.938502
R Bar **2
0.918003
Uncentered R**2
0.999376
T x R**2
8.994
Mean of Dependent Variable
116.88888889
Std Error of Dependent Variable 12.55432639
Standard Error of Estimate
3.59493951
Sum of Squared Residuals
77.541540508
Durbin-Watson Statistic
1.635298

Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
-49.34133898 16.82865139
-2.93198 0.00336804
2. X1
1.36423789
0.08817821
15.47137 0.00000000
3. X2
0.11388062
0.13317015
0.85515 0.39246742
;* lo que verifica la correccin (reduccin) en el error estndar de los
coeficientes. Ntese que los coeficientes propiamente tales no se ven
alterados.

4.4.2. CORRECCION DE NEWEY Y WEST (1987)

Sugieren reemplazar 2 por una suma de matrices TxT, las que son ponderadas de acuerdo a cada
rezago (k) considerando que el rezago mximo es L (note que en caso de White la ponderacin es 1).

k
L
m cov = k = L t et X t ' X t k et k 1

L + 1
donde L indica el grado del error de medias mviles que se desea corregir por autocorrelacin de acuerdo
al horizonte de prediccin (por ejemplo si se trata de una prediccin de k=3 periodos, entonces L=3-1=2,
y existirn 5 sumandos en mcov).
Ejemplo:

En el ejemplo anterior con T=9, si L=2, existirn 5 sumandos en mcov, y cada

una de ellos ser ponderado por (1-2/3), (1-1/3), (1), (1+1/3), (1+2/3)
respectivamente.
Definamos x1 a la 1 fila de la matriz X; x2 la 2 fila, etc. y definamos u1 el
1 residuo; u2 el 2 residuo; etc.
La matriz mcov ser la suma de:
com mcov = xx1+xx2+xx3+xx4+xx5
donde:
com xx1 = (u1*tr(x1)*x3*u3 + u2*tr(x2)*x4*u4 + u3*tr(x3)*x5*u5 + $
u4*tr(x4)*x6*u6 + u5*tr(x5)*x7*u7 + u6*tr(x6)*x8*u8 + u7*tr(x7)*x9*u9)*(1-2/3)
com xx2 = (u1*tr(x1)*x2*u2 + u2*tr(x2)*x3*u3 + u3*tr(x3)*x4*u4 + $
u4*tr(x4)*x5*u5 + u5*tr(x5)*x6*u6 + u6*tr(x6)*x7*u7 + u7*tr(x7)*x8*u8 + $

93

u8*tr(x8)*x9*u9 )*(1-1/3)
com xx3 = (u1*tr(x1)*x1*u1 + u2*tr(x2)*x2*u2 + u3*tr(x3)*x3*u3 + $
u4*tr(x4)*x4*u4 + u5*tr(x5)*x5*u5 + u6*tr(x6)*x6*u6 + u7*tr(x7)*x7*u7 + $
u8*tr(x8)*x8*u8 + u9*tr(x9)*x9*u9)*(1-0/3)
com xx4 = (u2*tr(x2)*x1*u1 + u3*tr(x3)*x2*u2 + u4*tr(x4)*x3*u3 + $
u5*tr(x5)*x4*u4 + u6*tr(x6)*x5*u5 + u7*tr(x7)*x6*u6 + u8*tr(x8)*x7*u7 + $
u9*tr(x9)*x8*u8 )*(1-1/3)
com xx5 = (u3*tr(x3)*x1*u1 + u4*tr(x4)*x2*u2 + u5*tr(x5)*x3*u3 + $
u6*tr(x6)*x4*u4 + u7*tr(x7)*x5*u5 + u8*tr(x8)*x6*u6 + u9*tr(x9)*x7*u7)*(1-2/3)
com mcov = xx1+xx2+xx3+xx4+xx5
com var = inv((tr(X)*X)) * (mcov) * inv((tr(X)*X))
;* la matriz de
covarianzas corregida de los coeficientes
do II=1,3
wri (var(II,II))**0.5
end do

;* son los errores estndar corregidos

En RATS este ajuste es ofrecido por la instruccin ROBUSTERRORS pero agregando la opcin
LAGS=L (para corregir por autocorrelacin hasta un proceso de medias mviles del grado L) y DAMP=1.0
(para el estimador de Newey-West, aunque pueden obtenerse otros ajustes con otro valor de DAMP, pero
son poco usados).
Ejemplo:

linreg(robusterrors, lags=2, damp=1) y

# constant x1 x2
Dependent Variable Y - Estimation by Least Squares
Usable Observations
9
Degrees of Freedom
Centered R**2
0.938502
R Bar **2
0.918003
Uncentered R**2
0.999376
T x R**2
8.994
Mean of Dependent Variable
116.88888889
Std Error of Dependent Variable 12.55432639
Standard Error of Estimate
3.59493951
Sum of Squared Residuals
77.541540508
Durbin-Watson Statistic
1.635298

Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
-49.34133898 14.82204895
-3.32891 0.00087185
2. X1
1.36423789
0.09248540
14.75085 0.00000000
3. X2
0.11388062
0.08901050
1.27941 0.20075389

Una de las dificultades para implementar la estimacin robusta puede ser determinar el valor
apropiado de L, aunque en muchos casos, ste proviene de la teora, y el conocimiento que la sobre
posicin de horizontes de prediccin (overlapping) genera un termino de error tipo MA de orden k-1
(donde k es el horizonte de prediccin). As, por ejemplo errores en predicciones de 6 periodos tendrn un
proceso MA de orden 5 (L=5), con lo cual se captura la mayora de la correlacin serial
En resumen, en RATS la opcin ROBUSTERRORS calcula los errores estndar de la regresin y la
matriz de covarianzas permitiendo heterocedasticidad y correlacin serial de los residuos, y funciona junto
a LAGS y DAMP en las instrucciones LINREG, NLLS, NLSYSTEM, y MAXIMIZE. Pueden definirse
estructuras ms complicadas usando la instruccin WMATRIX, que es la matriz de ponderaciones usada
junto a INSTRUMENTS.

94

4.4. MULTICOLINEALIDAD
En el modelo

Yt = 0 + 1 X 1 + 2 X 2 + t

la multicolinealidad (o colinealidad) se presenta

cuando hay correlacin lineal entre las variables explicativas X1 y X2, de modo que ambas variables, en el
fondo, estn midiendo el mismo fenmeno.
La presencia de alta colinealidad entre las variables explicativas X1 y X2 impide que se pueda
estimar con precisin los coeficientes de la regresin, es decir el efecto de cada una de estas variables
sobre Y, debido a que MCO no puede "separar" el efecto de X1 sobre Y, y el efecto de X2 sobre Y. As, se
esperan relativamente altos errores estndar para los coeficientes.
Ejemplo: Usando el archivo multicolinealidad.xls.
y
100
106
107
120
110
116
123
133
137

x1
100
104
106
111
111
115
120
124
126

a) Creamos la serie X2a, tal que X2a = 2*X1-4, donde X2a presenta multicolinealidad perfecta con X1, es
decir es una combinacin lineal de X1. La correlacin entre X1 y X2a es +1,0 en este caso.
b) Creamos la serie X2b, que es igual a X2a, con la nica diferencia que la 1 observacin es 200 en lugar
de 196. La correlacin entre X1 y X2b es 0,9970693 en este caso, es decir extremadamente alta, pero no
perfecta.

4.4.1. MULTICOLINEALIDAD PERFECTA

En este caso MCO simplemente no puede estimar el coeficiente de X2 (no es posible invertir la
matriz (XX) para calcular ). Contradictoriamente el estadstico R2 puede ser bastante alto, y el test F de
significancia global indicar que ambos coeficientes de pendientes son estadsticamente distintos de cero,
es decir en conjunto X1 y X2 explican Y, pero no individualmente. Verifiquemos esto con el ejemplo
anterior:
Ejemplo: En multicolinealidad.xls corremos una regresin donde Y se explica por X1 y
X2. Pero puesto que estn perfectamente correlacionadas, no es posible efectuar la
estimacin en Excel.

4.4.2. MULTICOLINEALIDAD MUY ALTA

En este caso ser posible obtener la estimacin de los coeficientes, pero sta ser muy ruidosa. A
pesar de no existir pruebas estadsticas formales, para la deteccin de multicolinealidad, es posible
calcular ciertos estadsticos que pueden ayudar a diagnosticar la presencia de multicolinealidad, se trata
de estadsticos orientativos, que si bien pueden ayudarnos a determinar si existe mayor o menor grado de
multicolinealidad, no permiten tomar una decisin clara sobre la presencia o no de sta.
El nivel de tolerancia: Este valor se obtiene de la diferencia 1-R2, aunque el R2 se obtiene de regresar esa
variable sobre el resto de las variables independientes. Valores de tolerancia muy pequeos indican que la

95

respectiva variable puede ser explicada por una combinacin lineal del resto de variables independientes,
lo cual significa que existe multicolinealidad.
Factores de inflacin de la varianza (VIF): Estos valores corresponden a los inversos de los niveles de
tolerancia. Reciben este nombre porque son utilizados en el clculo de las varianzas de los coeficientes de
regresin. Cuanta mayor es el VIF de una variable, mayor es la varianza del correspondiente coeficiente
de regresin. De ah que uno de los problemas de la existencia de multicolinealidad (tolerancias pequeas
y VIFs grandes) se la inestabilidad de las estimacines de los coeficientes de regresin.
Podemos concluir que la multicolinealidad aumenta el error en la estimacin de los coeficientes
individuales, disminuyendo los test t. Luego, que sospechamos existencia de multicolinealidad cuando los
coeficientes individuales tienen bajas significancias, pero el estadstico R2 es alto. Tambin, dado el alto
error, los coeficientes estimados son altamente sensibles a cambios en las observaciones, de modo que
por ejemplo eliminando un dato, los coeficientes cambiarn importantemente. El ltimo aspecto es las
prediccines del modelo con multicolinealidad sern peores (alto error) que aquellas obtenidas
considerando solo un pequeo grupo de variables explicativas que no son colineales.
Otra forma de detectar la colinealidad (alta) es considerar la Regla de Klein (1962) que afirma que
"la multicolinealidad es un problema slo si la correlacin simple entre dos variables es mayor que la
correlacin entre alguna stas con la variable explicada (Y)".

4.5.3. SOLUCIONES A LA MULTICOLINEALIDAD

Existen varios mtodos, algunos relativamente complejos, que intentan solucionar la
multicolinealidad, sin embargo la multicolinealidad es un problema de la muestra (de los datos) y poco
puede hacerse, a no ser que se disponga de ms informacin del proceso en estudio, de modo que la
solucin bsica se encuentra en encontrar ms informacin.
Caminos de solucin alternativos son eliminar del modelo una de las series que presentan
colinealidad. Sin embargo debe considerarse que esto puede introducir error de especificacin.

96

CAPTULO 5
ESTACIONARIEDAD Y COINTEGRACIN

5.1. REGRESIONES ESPUREAS

En muchas ocasiones se estiman modelos de regresin de series de tiempo, en los que tanto X
como Y estn afectos a fuertes tendencias temporales.
Ejemplo: Sean los siguientes datos los Precios Accionario de Endesa (Y) y el valor del Indice General de
precios accionarios (IGPA) (X):

600
500
400
300

T
t
t+1
t+2
t+3
t+4
t+5
t+6

P_Endesa
67
170
220
175
280
350
300

Igpa
150
200
220
350
400
410
500

200
100
0
t

t+1

t+2

t+3
P_Endesa

t+4

t+5

t+6

IGPA

Si corremos una regresin entre el precio accionario de Endesa (Y) y el Indice de Precios Accionarios (X)
se tiene que:

Intercepcin
Variable X 1

Coeficientes Error tpico Estadstico t

29,0375919 62,8781058 0,46180768
0,60929904 0,18467334 3,29933402

Y los resultados aparecen satisfactorios (para la pendiente) a la luz del estadstico t. Sin embargo
analizando el grfico, ambas series X e Y muestran una fuerte tendencia.

97

Una forma de eliminar la tendencia temporal es calcular las primeras diferencias de X e Y. Para esto
calculamos las rentabilidades, que son:

T
t
t+1
t+2
t+3
t+4
t+5
t+6

P_Endesa
67
170
220
175
280
350
300

Igpa
150
200
220
350
400
410
500

Rent_Endesa Rent_IGPA
1,537
0,294
-0,205
0,600
0,250
-0,143

0,333
0,100
0,591
0,143
0,025
0,220

1,800
1,600
1,400
1,200
1,000
0,800
0,600
0,400
0,200
0,000
-0,200
-0,400

t+1

t+2

t+3

Rent_Endesa

t+4

t+5

t+6

Rent_Igpa

En efecto, en el gfico parece desaperecer la tendencia. Los resultados de la regresin entre la

rentabilidad de Endesa y la variacin porcentual del IGPA es ahora:

Intercepcin
Variable X 1

Coeficientes Error tpico Estadstico t

0,46561786 0,46613367 0,99889342
-0,325641 1,55449381 -0,20948363

Con esto se aprecia que la calidad de los resultados cae fuertemente, entregando evidencia que la
1 regresin (con tendencia) arroj resultados satisfactorio solamente debido a la existencia de una
tendencia, pero no debido a que existiera una relacin verdadera entre ellas.
As, se entiende que un supuesto clave para la consistencia del modelo de regresin es, aparte de
la linealidad, la Dependencia Dbil.
Para analizar este punto con mayor detalle, pasamos a continuacin a definir el concepto de
Estacionariedad.

98

5.2. ESTACIONARIEDAD
5.2.1. DEFINICIN
La principal definicin de estacionariedad (estacionariedad dbil) implica que la media () y la
varianza (2) del proceso son constantes, y las autocovarianzas (k) y autocorrelaciones (k) dependen
slo del rezago k (0=V(xt)) 22.
Las principales implicancias de la estacionariedad para nuestros fines son dos:
a)
La existencia de estacionariedad asegura que la varianza del proceso es finita y que una
innovacin en el proceso tiene solamente un efecto temporal sobre ste.
b)
Cuando no exista estacionariedad para dos series X e Y, una regresin entre stas ser espuria,
en el sentido que existir un alto R2 debido a la existencia de una tendencia y no debido a una fuerte
relacin entre las variables.
Respecto al concepto de Integracin, se dice que una serie yt no estacionaria es integrada de
orden d, y se representa como yt~I(d), cuando puede ser transformada en una serie estacionaria
diferencindola d veces.
Una caracterizacin tpica de las series I(0) e I(1) es la siguiente:

5.2.2. SERIE ESTACIONARIA

Un buen ejemplo de serie estacionaria es el llamado Ruido Blanco (White noise). Un Ruido blanco
es un proceso estocstico donde los Xt son todos identica e independientemente distribudos (Cov=0). Por
definicin un ruido blanco es estacionario.

22
La Estacionariedad Estricta implica que, adems de lo anterior, el proceso no es afectado por un cambio de origen de
tiempo. Bajo normalidad conjunta el set de momentos caracterizan completamente las propiedades del proceso, es
decir ambas estacionariedades son equivalentes.

99

Ejemplo: Un proceso ruido blanco puede ser simulado en Excel a travs de: =Aleatorio().
Realizamos un grfico y obtenemos 100 valores simulados;
1,2
1
0,8
0,6
0,4
0,2
0
1

13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

Ntese que la media parece ser constante (igual a 0,5) y que la volatilidad parece tambin
constante, por lo que esta serie parece ser estacionaria.
Una mejor forma de realizar una simulacin en Excel es a travs de:
Herramientas-> Analisis de Datos -> Generacin de Numeros Aleatorios ->

Otro ejemplo de proceso estacionario es un de medias mviles (moving average process) de

orden 1 [MA(1)] que puede ser caracterizado por xt = et + a1et-1, t = 1, 2, siendo et una una secuencia
iid con media 0 y varianza

e2 .

Esta es una secuencia estacionaria debilmente dependiente, con variables

correlacionadas en 1 periodo, pero no para 2 periodos.

Ejemplo: Procesos Estacionarios:
a)
b)

X t = 2 X t 1 + t
X t = 1 + 2 X t 1 + t

1 < 2 < 1
1 < 2 < 1

100

5.2.3. SERIE NO ESTACIONARIA

Una serie es no estacionaria cuando presenta alguna tendencia, sea sta determinstica o
estocstica. Ejemplos tpicos de series no estacionarias son los ndices de precios accionarios, o los ndices
de precios o de actividad econmica. En economa los Random Walk 23 son usados para modelar esto.
El siguiente grfico muestra 8 random walks comenzando en 0.

Un random walk pueder ser representado por un proceso autoregresivo de orden 1. Un proceso
autoregresivo de orden 1 [AR(1)] puede ser caracterizado por yt = r yt-1 + et , t = 1, 2, con et una
secuencia iid con media 0 and variance

e2 .

Para que este proceso sea dbilmente dependiente |r| < 1.

Corr(yt ,yt+h) = Cov(yt ,yt+h)/(sysy) = r1h , el que disminuye al aumentar h.

A random walk is integrated of order one, [I(1)], meaning a first difference will be I(0)
Ejemplo: Procesos no estacionarios:
a) Random Walk:

X t = X t 1 + t , es decir un proceso AR(1) con coeficiente 1, meaning the series is not

weakly dependent.
b)

X t = 1 + X t 1 + t

c)

X t = 1 + 2 t + t

(Random walk with drift)

(Deterministic trend)

23

Los random walks tienen dos propiedades importantes: la propiedad de Markov (la nica informacin relevante para
el valor futuro de la variable es su valor actual), y la propiedad de martingala (la expectativa condicional de un valor
futuro de la variable es su valor actual). En el caso de una martingala, si bien los cambios en la variable deben ser
siempre cero, no necesitan tener varianza constante, ni las innovaciones ser independientes. En el caso de una
tendencia positiva se llaman sub-martingalas, y en el caso de tendencias negativas supramartingalas.

101

Ejemplo: Consideremos el ndice General de Precios de las Acciones (IGPA) de la Bolsa de

Comercio de Santiago (Valor Nominal mensual) Tabla 14.xls:

IGPA mensual
1990.01 - 2001.03

2000,09

2000,01

1999,05

1998,09

1998,01

1997,05

1996,09

1996,01

1995,05

1994,09

1994,01

1993,05

1992,09

1992,01

1991,05

1990,09

1990,01

7000,00
6000,00
5000,00
4000,00
3000,00
2000,00
1000,00
0,00

As, puesto que la serie IGPA parece tener una tendencia, creemos que no es estacionaria. Sin
embargo existen pruebas formales de estacionariedad, como veremos a continuacin.

102

5.3. PRUEBAS DE ESTACIONARIEDAD

5.3.1. CORRELOGRAMA Y TEST Q 24
Una caracterstica de las series no estacionarias es que las autocorrelaciones de las realizaciones
comienzan en un valor muy alto (cercano a 1.0) y disminuyen lentamente para grandes rezagos. En
cambio para series estacionarias se esperara que la cada de las correlaciones sea muy fuerte, y no
gradual.
Ejemplo: Para la serie IGPA calcular valor del estadstico Q de Ljung-Box hasta 3
rezagos:

0,990 2
2
Q(1) = 135(137)
= 135,27 (1) = 3,84
134

0,990 2 0,974 2
2
Q(2) = 135(137)
+
= 267,19 (2) = 5,99
133
134
0,990 2 0,974 2 0,959 2
2
Q(3) = 135(137)
+
+
= 396,34 (3) = 7,81
134
133
132

Se aprecia que las autocorrelaciones descienden en forma gradual a medida que aumenta el
nmero de rezagos. Fijndonos en el ltimo rezago (3), el valor del estadstico Q es 390,77 con un nivel
de significancia de 0.000; por lo tanto, rechazamos la hiptesis que las correlaciones sean cero.
A su vez, el grfico de las autocorrelaciones luestra que stas en efecto disminuyen gradualmente,
como se esperara en el caso de una serie no estacionaria.
1.0

ACF

0.9

0.8

0.7

0.6

0.5

0.4

0.3
J

J
J
1990

J
J
1991

24

Recordemos que el correlograma, al igual que la prueba de Ljung-Box han sido utilizados anteriormente para
detectar la autocorrelacin de los residuos.

103

A efectos de comparacin podemos calcular las correlaciones de un ruido blanco.

Ejemplo: Generando una serie de nmeros aleatorios provenientes de una distribucin
Normal con media 0 y desviacin estndar 1, calculamos los estadsticos Q(1), Q(2) y
Q(3). Puesto que se trata de nmeros aleatorios, los resultados no sern identicos, sin
embargo se obtendr que Q(1)0,9, Q(2)1,6 y Q(3)2,7; por lo que ahora la hiptesis que
las correlaciones son cero (estacionariedad) no es rechazada, implicando que no se
encuentra evidencia de que la serie sea no estacionaria.
A continuacin veremos otro tipo de pruebas formales, llamadas de races unitarias, que han sido
muy populares (y tambin criticadas) en los aos recientes.

104

5.3.2. PRUEBAS DE RAICES UNITARIAS: Dickey y Fuller 25

Subyacente en el concepto de una prueba de raz unitaria se encuentra la existencia de una fuerte
relacin entre la realizacin de una serie en el momento t y la realizacin de esta misma serie en el
momento t-1. Esto es medido a travs de la siguiente regresin:

Yt = Yt 1 + t
donde en un error bien comportado. Si es igual a 1.0 (Ho:=1.0), es decir un proceso AR(1), entonces
la serie no es estacionaria, y adems se dice que tiene una raz unitaria. La serie con esta caracterstica
es llamada un Random-Walk. Luego, la hiptesis de raz unitaria es Ho: =1.0.
Sin embargo Dickey y Fuller (1979, 1981) mostraron que, para la hiptesis anterior, la tradicional
prueba t no puede se aplicada, pues existe sesgo. En cambio mostraron que los valores correctos son, en
el caso de correr la regresin con intercepto:
-

al 90% el coeficiente estimado es menor que 2.58 errores estndar de la unidad

al 95% el coeficiente estimado es menor que 2.89 errores estndar de la unidad
al 99% el coeficiente estimado es menor que 3.51 errores estndar de la unidad
En la prctica es ms simple escribir el modelo anterior como sigue:

Yt Yt 1 = ( 1)Yt 1 + t
Yt = ( 1)Yt 1 + t
Yt = Yt 1 + t
de modo que la hiptesis cambia ahora a Ho: =0.0, haciendo ms simple de estimar la hiptesis.
Ejemplo: Correremos una regresin de la serie IGPA (135 observaciones) contra la misma
serie rezagada en un perodo (Tabla 14.xls).
a)

Yt = Yt 1 + t

Intercepcin
Variable X 1

b)

Coeficientes Error tpico Estadstico t

0
#N/A
#N/A
1,0036686 0,00430903 232,922307

tau =

1)

(1,0036686
0 , 004309

1)

= 0 ,8513

Yt = Yt 1 + t

Intercepcin
Variable X 1

Coeficientes Error tpico Estadstico t

0
#N/A
#N/A
0,0036686 0,00430903
0,8513744

tau =

0 , 0036686
=
= 0 ,8513
0 , 004309

Puesto que 0,8513 < 2,89 no podemos rechazar que la serie IGPA es no estacionaria
(Ho: Existe raiz unitaria).

25

El conjunto de pruebas anteriores son llamadas de Dickey y Fuller. Existe un nmero importante de otras pruebas de
races unitarias especializadas, entre las cuales es usual la de PhillipsPerron.

105

5.3.3. PRUEBAS DE RAICES UNITARIAS: Augmented Dickey Fuller (ADF) Test

Dickey y Fuller proponen una serie de regresines ms generales para verificar la existencia de
races unitarias, las que son conocidas como pruebas de Dickey y Fuller Aumentadas (ADF):
p

Modelo 1:

Yt = Yt 1 + i Yt i +1 + t

(modelo bsico + DY rezagados)

i=2

Modelo 2:

Yt = + Yt 1 + i Yt i +1 + t

(modelo 1 + intercepto)

i =2

Modelo 3:

Yt = + Yt 1 + t + i Yt i +1 + t

(modelo 2 + tendencia)

i =2

En estas pruebas deben agregarse rezagos de dY hasta que et son ruido blanco, lo que es una
condicin necesaria para que este test sea vlido. El nmero apropiado de rezagos puede encontrarse por
el criterio BIC, aunque pueden plantearse otros criterios alternativos 26.
Los valores crticos usuales son 1%, 5%, y 10% los que dependen del tamao de la muestra. Los
valores crticos pueden obtenerse de Hamilton (1994, Tabla B.6).

26

(1) AIC criterion, (2) BIC criterion (el ms usado), (3) agregando rezagos (lags) hasta que el test de Ljung-Box test
no rechace no correlacin serial a un nivel de significancia, (4) idem con el Lagrange Multiplier test, o (5) partiendo con
un nmero mximo de diferencias rezagadas, si la ltima es significativa, elija ese nmero de rezagos, si no se reduce
en uno hasta que el ltimo rezago inluido es ignificativo.

106

Ejemplo: En el ejemplo del IGPA (Tabla 14.xls), implementar Augmented Dickey-Fuller ttest para los modelos 1, 2 y 3:
Modelo 1: Minimum AIC at lag: 2; Minimum BIC at lag: 2.

Yt = Yt 1 + [ 2 Yt 1 + 3 Yt 2 ] + t
linreg digpa
# igpa{1} digpa{1} digpa{2}
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. IGPA{1}
0.002606237 0.004043451
0.64456 0.52035847
2. DIGPA{1}
0.429916390 0.085891215
5.00536 0.00000179
3. DIGPA{2}
-0.228846913 0.086136727
-2.65679 0.00888546
* Augmented Dickey-Fuller t-test with 2 lags:
*
1%
5%
10%
*
-2.58
-1.95
-1.62

0.6446

*
*
*

Modelo 2: Minimum AIC at lag: 2; Minimum BIC at lag: 2.

Yt = + Yt 1 + [ 2 Yt 1 + 3 Yt 2 ] + t
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
115.4506088
48.6524791
2.37296 0.01913416
2. IGPA{1}
-0.0225541
0.0113227
-1.99193 0.04850725
3. DIGPA{1}
0.4141438
0.0846512
4.89236 0.00000294
4. DIGPA{2}
-0.2312968
0.0846373
-2.73280 0.00716841
* Augmented Dickey-Fuller t-test with 2 lags:
*
1%
5%
10%
*
-3.46
-2.88
-2.57

-1.9919

*
*
*

Modelo 3: Minimum AIC at lag: 2; Minimum BIC at lag: 2.

Yt = + Yt 1 + t + [ 2 Yt 1 + 3 Yt 2 ] + t ,

t=1,2, ...

Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
115.7046426
48.9172119
2.36532 0.01952855
2. TREND
0.0617520
0.6593128
0.09366 0.92552598
3. IGPA{1}
-0.0237014
0.0167111
-1.41830 0.15855218
4. DIGPA{1}
0.4149103
0.0853740
4.85991 0.00000340
5. DIGPA{2}
-0.2299966
0.0860934
-2.67148 0.00854127
* Augmented Dickey-Fuller t-test with 2 lags:
*
1%
5%
10%
*
-3.99
-3.43
-3.13

-1.4183

*
*
*

En los tres casos nos lleva a concluir que no se rechaza Ho, es decir existe raz
unitaria en el IGPA.

107

5.3. DIFERENCIACION DE SERIES I(1)

Un proceso que contiene una raz unitaria es denotado I(1). En estos casos es posible eliminar la
raz unitaria diferenciando las series, esto es, calculando la primera diferencia. En series que contienen
dos races unitarias, I(2), se debe diferenciar dos veces para obtener una serie estacionaria, y as
sucesivamente.
El problema es que en muchas ocasiones la serie resultante de la diferenciacin no es de inters,
por lo que debe buscarse un camino de solucin alternativo. Afortunadamente en el caso del IGPA, la
diferenciacin nos lleva a obtener una serie de rendimientos, de modo que la recomendacin para los
estudios financieros-burstiles es usar las series de rendimientos del IGPA en lugar del GPA propiamente
tal.
Verifiquemos ahora que la serie diferenciada del IGPA, es decir los rendimientos accionarios, es
estacionaria.
Ejemplo: Calculamos la 1 diferencia y los rendimientos mensuales del IGPA; y graficamos
la nueva serie:

Diferenciacion del IGPA vs Rentabilidad del IGPA

800,00

25,00%

20,00%

600,00

15,00%
400,00
10,00%
200,00
5,00%

19
9
19 0,02
90
19 ,06
90
19 ,10
91
19 ,02
91
19 ,06
91
19 ,10
9
19 2,02
9
19 2,06
9
19 2,10
93
19 ,02
93
19 ,06
93
19 ,10
94
19 ,02
94
19 ,06
9
19 4,10
95
19 ,02
95
19 ,06
95
19 ,10
96
19 ,02
96
19 ,06
9
19 6,10
97
19 ,02
9
19 7,06
97
19 ,10
98
19 ,02
98
19 ,06
98
19 ,10
9
19 9,02
9
19 9,06
9
20 9,10
00
20 ,02
00
20 ,06
00
20 ,10
01
,0
2

0,00
0,00%

-200,00
-5,00%
-400,00
-10,00%

-600,00

-15,00%

-800,00

-20,00%
D_IGPA

R_IGPA

El grfico de la serie muestra que esta parece ahora ser estacionaria. Veamos lo que nos dice el
test de Dickey-Fuller. Corremos la regresin de los rendimientos del IGPA contra la misma serie rezagada
en 1 periodo. Omitiendo parte de la salida, los resultados son:

t=

0 ,5783
= 7 . 36
0,07852

As, con una significancia del 5% y valor critico 2,88, se rechaza la existencia de raz unitaria. Esta
prueba no encuentra una raz unitaria y afirma que la serie diferenciada es estacionaria. El econometrista

108

experimentado notar del grfico de la serie IGPA, que existe la posibilidad de un quiebre significativo en
1995, de modo que sugerir otras pruebas de races unitarias que mejor se ajusten a este caso.
Cuando la serie diferenciada no sea de inters, puede seguirse el camino tradicional de incorporar
una variable de tendencia a la regresin, la que tiene por objeto justamente capturar la tendencia
dejando que el coeficiente estimado de la serie I(1) libre del efectos de la tendencia, de modo que la
regresin es vlida.
Otras formas de eliminar races unitarias, consiste en aplicar logaritmos naturales para calcular
rendimientos contnuos, y la deflactacin a moneda real.

set lrrate = Log(rrate)

set lpgnp = log(pgnp)

;* el deflactor del Producto

linreg lrrate
# constant lrrate{1} lpgnp{1}

set lrooms = log(rooms)

set lrgnp = log(gnp/pgnp)
linreg lrooms
# constant lrooms{1} lrgnp{1}
Sin embargo actualmente se distingue entre tendencias determinsticas y estocsticas,
afirmndose que este ltimo procedimiento (incorporar una tendencia) solo es posible en el caso de una
tendencia determinstica. En caso contrario, la nica posibilidad es verificar la existencia de cointegracin,
lo que justificara correr regresines entre variables I(1), sin que el resultado de sta sea espurio. Este
tpico (cointegracin) ser tratado a continuacin.

109

5.4. COINTEGRACIN: PRUEBA DE ENGLE-GRANGER

5.4.1. INTRODUCCIN
Si se tiene un modelo de regresin en que tanto la variable dependiente como la independiente
son I(1), entonces se tendr una regresin espuria, puesto que la presencia de las tendencias
contaminar los resultados. Esto, a menos que ambas series tengan una relacin de equilibrio de largo
plazo, es decir, que estn COINTEGRADAS.
Se dice que dos series (o ms) estn cointegradas si una combinacin lineal de stas es
estacionaria, es decir:

X es I (1)
si aX + bY es I (0) X e Y estn cointegradas
Y es I (1)
Entonces, es posible estimar regresiones con variables X e Y conteniendo una raiz unitaria,
siempre y cuando ambas estn cointegradas, pues de lo contrario surgir el problema de Regresin
Esprea.
Para analizar el caso de la Regresin Esprea, consideremos dos series X1t, x2t y zt, tales que:

x1t I (1)
x2t I (1)
zt = 0 + 1 x1t + 2 x2t ;

z t I (1)

Reordenando esta combinacin lineal se tiene que:

con

Las implicancias son, por un lado los residuos son I(1), es decir

t I (1) , por lo que no se

cumplen las condiciones subyacentes del modelo de regresin lineal. En efecto:

Puesto que OLS ya no son consistentes, implicando que los resultados de la regresin (pruebas t y
F) estn erradas. En particular, los resultados de una regresin que incluye variables no estacionaras
independientes estn caracterizadas por:

110

- Muy altos R cuadrados

- Muy altos valores t
- Bajos Durbin Watson d
Lo anterior es lo que se conoce como el famoso Problema de la Regresin Esprea: cuando
regresionamos variables no estacionarias, los resultados de la estimacin no deben ser tomados
seriamente.

5.4.2. DEFINICIN FORMAL DE COINTEGRACION

Las variables de kx1 vextores
(d,b), denotado por

xt CI (d , b) , si:

se dice que estn cointegradas de grado

a) todas las variables xt son I(d)

b) existe al menos un vector de coeficientes

tal que la combinacin lineal

es integrada de un orden menor, es decir:

xt I (d b) . Beta es

conocido como el vector cointegrante (cointegrating vector).

Ejemplo: Si

x1t I (1)

x2t I (1)

y los residuos de la regresin

son I(0),

entonces x1 y x2 se dice que estn cointegradas de orden CI(1,1), con vector cointegrante

La Interpretacin Econmica es que si dos o ms series estn unidas por una relacin de
equilibrio, entonces an cuando las series en s mismas son no estacionarias, ellas sin embargo se
movern casi juntas a travs del tiempo, y la diferencia entre ellas ser estacionaria. El concepto de
cointegracin indica la existencia de un equilibrio de largo plazo al cual el sistema econmico converge a
travs del tiempo, y et puede ser interpretado como el error de desequilibrio, es decir la distancia a que el
sistema se encuentra alejado del equlibrio en el momento t.
Desde el punto de vista economtrico, si dos variables estn cointegradas, el anlisis de regresin
entrega informacin importante acerca de la relacin de largo plazo entre las variables. Si dos variables
no estacionarias no estn cointegradas, los resultados de la regresin no son tiles, es decir se se tiene
una regresin esprea.

111

Por Ejemplo, las siguientes series xit y x2t estn cointegradas, con vector cointegrante (1,-1).

25
20
15
10
6

-5

0
-2
-4
-6
50

100
Residual

150
Actual

200

250

Fitted

Puesto que los errores son I(0), ambas series estn cointegradas.

112

5.4.3. PRUEBA DE ENGLE-GRANGER (1987)

El procedimiento de Engle-Granger para detectar cointegracin es muy simple e intuitivo.
Paso 1: Verificar el orden de integracin de las variables. Verificar que ambas son I(1). Por ejemplo,
suponemos que tanto el ingreso como el consumo son I(1):

CONSUMOt = 0 + 1 INGRESO + t
Paso 2: Para que exista cointegracin, el error, que es una combinacin lineal de las series, debe ser
estacionario, I(0):

t = CONSUMOt 0 1 INGRESO
Si los errores son I(1) concluimos que las variables no estn cointegradas. Si los residuos son I(0)
decimos que las variables son cointegradas de orden (1,1). Lamentablemente aqu tampoco pueden
usarse los valores crticos de Dickey-Fuller, sino que por ejemplo los de Engle y Yoo (1987) o de acuerdo
a MacKinnon (1991), como se muestra en la siguiente tabla.

113

5.4.4. TEOREMA DE REPRESENTACION DE GRANGER

El concepto de cointegracin se refiere a un equilibrio, en el cual las variables convergen en el
largo plazo. Este equilibrio de largo plazo puede ser observado raramente, por lo que es interesante
considerar la evolucin de corto plazo de las variables, es decir la dinmica del ajuste.
Un enfoque simple para esto es el llamado Modelo de Correccion de Errores (ECM), que proviene
del Teorema de Representacin de Granger, el que establece que si un conjunto de variables estn
cointegradas, entones existe una representacin de los datos del tipo error-correccin.
Si x1t y x2t son CI(1,1), con vector cointegrante
correccin de errores (ECM) de forma general dada por:

, entonces existe un modelo de

donde:

Son polinomios quepermiten una estructura ms rica al proceso.

Este modelo incorpora los efectos de corto y de largo plazo. En efecto:
a) El efecto de largo plazo est dado por el vector cointegrante:
b) Cuando el sistema est en equilibrio:
, puesto que e mide la distancia del
sistema del equilibrio en el momento t.
c) El parmetro alfa mide la velocidad de ajuste, es decir cmo x1t-1 cambia en respuesta al desequilibrio
et en el momento t. (Si x1t y x2t son cointegradas, alfa es distinto de cero).
d) El parmetro delta captura un posible cambio (drift) en las series.
Ejemplo: Para estimar el modelo de correccin de errores. Esto es, si las series son cointegradas (1,1), a
corto plazo puede haber desequilibrios, que son capturados por el trmino de error. Luego, la regresin
es:

CONSUMOt = 0 + 1INGRESO + 2 et 1 + ut
donde se espera que el nuevo error, u, est bien comportado.
En esta especificacin de correccin de errores el coeficiente 1 captura las perturbaciones de
corto plazo la variable INGRESO, mientras que 2 captura las perturbaciones de largo plazo, o el ajuste de
largo plazo, indicando qu proporcin del desequilibro en el CONSUMO en un periodo es corregida en el
periodo siguiente.

114

Ejemplo: A modo de ilustracin, considere la tabla en el archivo Pindyck - EX164.xls que precios del
petrlero y del cobre desde 1870 a 1987.
En primer lugar verificamos si el petroleo es estacionario:
* Augmented Dickey-Fuller t-test with 5 lags:
*
1%
5%
10%
*
-2.58
-1.95
-1.62

0.2295
*
*

Como conclusin, contiene una raiz unitaria.

Calculamos la primera diferencia del petrleo y obtenemos:
* Augmented Dickey-Fuller t-test with 4 lags:
*
1%
5%
10%
*
-2.58
-1.95
-1.62

-6.5234
*
*

-1.1085
*
*

-11.2136
*
*

Como conclusin, solo posee 1 raz unitaria.

Repetimos para el cobre:
* Augmented Dickey-Fuller t-test with 0 lags:
*
1%
5%
10%
*
-2.58
-1.95
-1.62
Para la primera diferencia se tiene que:
* Augmented Dickey-Fuller t-test with 0 lags:
*
1%
5%
10%
*
-2.58
-1.95
-1.62
Como conclusin, solo posee 1 raz unitaria.
Corremos ahora la regression:
oil = alfa + beta copper
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
5.053783705 0.666379893
7.58394 0.00000000
2. COPPER
-0.022111545 0.017261735
-1.28096 0.20276371
Y analizamos si los residuos tienen una raiz unitaria:
* Augmented Dickey-Fuller t-test with 0 lags:
*
1%
5%
10%
*
-2.58
-1.95
-1.62

-3.1511
*
*

De modo que las series estn cointegradas.

115

Ahora podemos estimar el modelo de correccin de errors:

Doil = alfa + beta*dcopper + gama*err{1}
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. Constant
-0.019713655 0.095227174
-0.20702 0.83636581
2. DCOPPER
0.003278421 0.014628690
0.22411 0.82307364
3. ERR{1}
-0.138753133 0.044560449
-3.11382 0.00233565
Y conclumos que los ajustes de largo plazo aparecen como los ms importantes y significativos.

5.5. COMENTAROS FINALES

Por ltimo debemos notar que an existen importantes problemas en la aplicacin de las tcnicas
de regresin requeridas para implementar la prueba de cointegracin de Engle y Granger, especialmente
las referidas a los valores crticos de las pruebas para pequeas muestras.
Tambin debemos comentar que existe otra tcnica de deteccin de la cointegracin entre series y
es la de Johansen (1988) basada en el principio de mxima verosimilitud, la que supera una de las crticas
al esquema de Engle-Granger, el que requiere definir a priori cual de las variables ser la dependiente y
cual la independiente en la regresin (cuando existen muchas variables es posible que exista
cointegracin bajo una especificacin y no en otra) y que ste procedimiento sea un estimador de dos
pasos (se requieren dos regresines).

116

CAPTULO 6
INTRODUCCIN A LA PREDICCIN EN
EXCEL

En este captulo desarrollaremos la prediccin (esttica). Ms adelante, en siguientes captulos se

tratar la prediccin dinmica (modelos ARIMA). Tambin es importante notar que existen muchas formas
de efectuar prediccines, incluyendo modelos de Vectores Autorregresivos, Sistemas de Ecuaciones
Simultneas y Anlisis Espectral. Sin embargo, por ahora analizaremos la tcnica tradicional para la
prediccin esttica en un contexto de mnimos cuadrados ordinarios.
El siguiente esquema ilustra simplificadamente las diferentes tcnicas de prediccin, diferenciando
entre mtodos objetivos y mtodos subjetivos.

Tipos de
Tcnicas de Prediccin

Mtodos Subjetivos

Mtodos Objetivos

causal

extrapolacin

Modelos Economtricos
(Modelos de Regresin
simple o mltiple)
(requiere variable dependiente
y una o varias variables explicativas)

Box-Jenkins
(ARIMA)

Modelos a-tericos

- Opinin de Ejecutivos
- Tcnica Delphi (consenso de
expertos)
- Basadas en Fuerza Ventas
- Encuestas de intenciones de
compra

Mtodos de
Series de Tiempo

Suavizamiento
Exponencial

Prediccin
Espectral

117

Un enfoque alternativo para la seleccin de un modelo de Prediccin es el siguiente:

Si
Pocos datos disponibles?

Mtodos
Subjetivos

No
Objective Methods

1.
2.
3.
4.

Data disponible sobre variables causales

Existe un buen conocimiento a priori de las relaciones
Se esperan importantes cambios a futuro
Se requieren predicciones a muy largo plazo

Si

Mtodos
Causales

No
Mtodos de Extrapolacin

118

6.1. EL ERROR DE PREDICCIN

Antes de comentar la prediccin propiamente tal, es necesario que consideremos que la
desviacin estndar del error de la prediccin individual de Y en MCO viene dada por27:

(eo ) = (Yo Yo ) = (1 + X o ' ( X ' X ) 1 X o )

donde es el error estndar de la regresin, Y es la estimacin de Y, Xo son valores proyectados de X, y
X son los valores originales. El intervalo de confianza para las prediccines en el caso de un gran nmero
de observaciones es entonces (usando una distribucin t):

[Y 2.0 (e ) , Y + 2.0 (e )]
0

Para el caso de un modelo de regresin simple, la expresin anterior se reduce a:

1
( Xo X ) 2

(eo ) = (Yo Yo ) = (1 + + i =T
T ( X i X )2
i =1

Esta es una expresin sencilla de interpretar:

Puesto que el error estndar de prediccin crece proporcionalmente con cuadrado de la diferencia
entre el valor de la variable explicativa deseado y la media observada de sta, mientras ms alejada del
valor medio sea la prediccin, sta ser ms que proporcionalmente riesgosa. Por ejemplo, en un caso
simple, si se tiene una muestra de 10 aos (la media es 5 aos) la varianza de la estimacin del ao 10 al
ao 11 aumenta un 44% (desde 25=(10-5)^2 hasta 36=(11-5)^2), pero con una muestra de 3 aos
como en nuestro caso, la varianza de la prediccin anual desde el ao 3 al ao 4 aumenta un 178%
(desde 82.25=(3-1.5)^2 hasta 6.25=(4-1.5)^2).
El error de estimacin se reduce al aumentar el nmero de observaciones (T), y al aumentar la
dispersin de la variable X, medida por la suma cuadrada de la diferencia de X respecto a su media.

6.2. PREDICCIN ESTATICA

En el caso ms simple, se quiere proyectar una sola serie (Y) a travs del tiempo, y no se tiene un
modelo explicativo. En este caso debe generarse una serie de tendencia como se explica a continuacin.
Ejemplo: Supongamos que deseamos obtener una prediccin individual de Y a travs del
tiempo (prediccion.xls). Los datos corresponden a los aos 1991 al 2000, y se desea una
prediccin para los aos 2001, 2002, 2003, 2004 y 2005.
Primero debemos generar una serie de tendencia, por ejemplo 1, 2, como se muestra abajo, la
que ser una serie ndice para el tiempo (eje X). Luego debemos correr la regresin de Y contra la serie
de tendencia generada. La prediccin en Excel puede obtenerse seleccionando la casilla Curva de
Regresin Ajustada.

Intercepcin
Tendencia

27

Coeficientes Error tpico Estadstico t

55 4,43556563 12,3997714
10,1818182 0,71485613 14,2431712

Vase un aspecto simplificado de la demostracin en Judge et al., seccin 5.3.3.

119

Para obtener la prediccin, seleccione las celdas del ponstico, como se muestra abajo, y arrastre
(con la cruz de la derecha abajo) 5 celdas hacia abajo:

Para construir un intervalo de confianza, note que puesto que T=10, se tienen 8 grados de
libertad para la distribucin t, de modo que t(8)=2,306.
Lim_sup = Y_PREDICC + 2.306*ERST
Lim_inf = Y_PREDICC - 2.306*ERST

120

son:

El error estndar de prediccin y los lmites inferiores y superiores de los intervalos de confianza

Para apreciar el ajuste del modelo, veamos que sucede a travs de grficos de series de tiempo.
Para ello, al marcar la casilla Curva de Regresin Ajustada Excel entreg un grfico que compara las
observaciones actuales con las observaciones ajustadas por la regresin. A este grfico es posible agregar
una lnea de tendencia (lineal) seleccionando con el botn derecho del Mouse uno de los puntos
ajustados, y en opciones Extrapolar hacia delante 5 unidades (aos). Tambin es posible agragar las
series de los limites inferior y superior del Intervalo de confianza, obteniendo lo que se muestra a
continuacin:

Tendencia Curva de regresin ajustada

250

y = 10,182x + 55
200

Ventas

150

100

50

0
0

10

12

14

16

Tendencia
Ventas

Pronstico Ventas

Lim Inferior

Lim Superior

Lineal (Pronstico Ventas)

121

6.3. CASO PRCTICO

Comenzaremos analizando el caso desarrollado por Hall, R., J. Johnston y D. Lilien (1990). Ver
datos en Tabla 06.xls.
Se trata de efectuar una prediccin del ingreso del ao 2001 de una cadena de hoteles, a partir de
informacin de los aos 1990 al 2000. El ingreso total viene dado por:
INGRESO TOTAL = NMERO DE HABITACIONES * INGRESO POR HABITACION * OCUPACION
La informacin disponible corresponde a datos anuales del periodo 1990:1 2000:1.
CPR = Tasa de inters de los papeles comerciales,
GNP = Producto nacional bruto,
OCCUP = Tasa de Ocupacin (%),
PGNP = deflactor del producto,
ROOMS = nmero de habitaciones disponibles en la cadena de hoteles,
RRATE = ingreso promedio por habitacin diaria,
UNEMP = tasa de desempleo.
Las ventas histricas de la cadena de hoteles viene dada por el siguiente grfico:

Ingresos Anuales (millones de $)

3500,0

3000,0

2915,5
2605,5

2500,0

2161,0
2000,0
1780,5
1539,1

1500,0
1369,2
1223,6
1121,7
1000,0

962,6
813,7
697,3

500,0

0,0
1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

Intentamos proyectar separadamente la tasa de ocupacin (OCCUP, porcentaje de habitaciones

usadas por noche), el ingreso por habitacin (RRATE, ingreso promedio por habitacin usada por noche) y
el nmero de habitaciones (ROOMS, nmero de habitaciones en la cadena de hoteles).

122

a) Tasa de Ocupacin (OCCUP)

Probablemente la tasa de ocupacin est relacionada con medidas generales de la economa, tal
como la tasa de desempleo o las tasas de inters. Puesto que la ocupacin parece mostrar una tendencia
creciente, puede ser necesario considerar una variable de tendencia en el modelo.

OCCUP
76,00
74,00
72,00
70,00
68,00
66,00
64,00
62,00
60,00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Entonces creamos una serie de tendencia que comienza en T=10 (a efectos que los resultados
intermedios coincidan con los reportados por los autores originales del ejemplo). Aqu esta serie debe
llegar hasta 21, partiendo desde la observacin 11.
tend = T+10

;*creamos la variable de tendencia que comienza en T=10

occup = beta0 + beta1*unemp + beta2*tend

Intercepcin
UNEMP
Tend

Coeficientes Error tpico Estadstico t

69,0928581 2,38288717 28,9954384
-1,85418239 0,38522873 -4,81319859
0,78418836
0,1340615 5,84946753

Se aprecia una relacin inversa entre desempleo y ocupacin de habitaciones (como se esperara),
y la relacin positiva entre la tendencia y la ocupacin.
A efectos de poder predecir la ocupacin se otra ecuacin para predecir el desempleo para el ao
2001. De modo que el enfoque de la ecuacin anteriormente estimada tiene algunas limitaciones28.
El enfoque sugerido es utilizar una especificacin que incluya informacin rezagada de las
variables para efectos de prediccin (esto es, una especificacin AR). Siguiendo a los autores del ejemplo,
esto es lo que hacemos ahora, de modo que eliminamos la tendencia, pues ahora se tiene la variable
dependiente rezagada como regresor.
Incorporamos tambin la tasa de inters de corto plazo (Commercial Paper Rate) en la
estimacin. Luego corremos la regresin con variable dependiente OCCUP y variables independientes el
intercepto, OCCU, UNEMP y CPR rezagadas todas un periodo.

28

Se puede hacer una prediccin separada para el desempleo, y despus usar la regresin anterior para predecir la
ocupacin de habitaciones. Esto sera un error, ya que se estar usando un coeficiente de 1.85 inapropiado. Otra
alternativa es hacer una prediccin separada para el desempleo, y regresionar ste contra la ocupacin. En este caso el
coeficiente de pendiente debe ser menor a 1.85 anterior, lo que sera ms correcto.

123

El resultado de la regresin es el siguiente:

Occup = beta0 + beta1*occup{1} +beta2*unemp{1} + beta3*CPR{1}

Intercepcin
Variable X 1
Variable X 2
Variable X 3

Coeficientes Error tpico Estadstico t

-0,50976699 11,3977026 -0,04472542
0,99298019 0,15414898 6,44169159
1,04981138 0,36578966 2,86998647
-0,72478546 0,20525279 -3,53118445

Con esto, los valores observados y ajustados (predichos) son:

Prediccion
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000

grfico.

Occup

67,058108
68,9073325
72,1736289
68,8317072
66,0360939
68,7666435
71,6160245
73,4803004
73,7764965
70,9536707

68,50
67,40
70,70
70,60
68,30
65,40
68,40
71,20
74,30
73,80
71,50

As, la prediccin de la ocupacin para el ao 2001 es de 69,034. Podemos tambin hacer un

Tasa de Ocupacin Observada y Ajustada

76

74

72

70

68

66

64

62

60
1991

1992

1993

1994

1995
pronostico

1996

1997

1998

1999

2000

Observado

124

b) Ingreso por Habitacin (Room Rate)

Puesto que la variable est medida en dlares, existir un impacto por la inflacin, de modo que
se requiere el uso de logaritmos. Crearemos las series de logaritmos para Ingreso por Habitacin (RRATE)
y Producto nacional (PGNP), el deflactor del producto:

lrrate = ln(rrate)
lpgnp = lln(pgnp)

;* el deflactor del Producto

lrrate = beta0 + beta1*lrrate{1} + beta2*lpgnp{1}

Intercepcin
Variable X 1
Variable X 2

Coeficientes Error tpico Estadstico t

-1,19183414 0,62933529 -1,89379834
0,86463788 0,20740382 4,16886176
0,35280069 0,25769805 1,36904681

El coeficiente de la serie LPGNP es muy bajo y tiene un alto error, sin embargo tiene sentido que
puesto que los ingresos se mueven con la inflacin, el valor rezagado de sta sea un buen predictor de de
los ingresos futuros, de modo que aceptamos esta especificacin.
Pronostico
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000

2,7739593
2,84239938
2,87593936
2,93356366
2,999124
3,13980119
3,21040364
3,31896088
3,45130208
3,61873983

Log(RRATE)
2,74
2,80
2,83
2,87
2,91
3,04
3,10
3,20
3,33
3,49
3,61

La prediccin para 2001 es 42,63. Luego, para poder graficar, se transforma la prediccin de la
ltima regresin (el Log natural del ingreso por Habitacin) aplicando la Exponencial.
Ingreso por Habitacin vs Prediccin
40,0

35,0

30,0

25,0

20,0

15,0

10,0

5,0

0,0
1990

1991

1992

1993

1994

1995
Pronostico

1996

1997

1998

1999

2000

RRATE

125

c) Nmero de Habitaciones (ROOMS)

El nmero de habitaciones parece tener una tendencia, por lo que se requiere de una
transformcin. Crearemos las series de logaritmos para nmero de habitaciones (ROOMS).
Se supone que l nmero de habitaciones disponibles depende de la actividad econmica real. Par
esto se deflacta el GNP, calculando el cuociente entre GPN y PGNP, y luego aplicando logaritmos, lrgnp =
log(gnp/pgnp).
lrooms = ln(rooms)
lrgnp = ln(gnp/pgnp)
lrooms = beta0 + beta1*lrooms{1} + beta2*lrgnp{1}

Intercepcin
Variable X 1
Variable X 2

Coeficientes Error tpico Estadstico t

3,66544384 0,72033996 5,08849164
0,66808868 0,08184847 8,16250657
0,20183368 0,13747966 1,46809845

Luego se transforma la prediccin de la ltima regresin, para representar la prediccin realizada

para el nmero de habitaciones.
Pronostico
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001

12,23
12,31
12,39
12,47
12,52
12,54
12,56
12,57
12,60
12,63

Ln(ROOMS)
12,10
12,21
12,31
12,42
12,50
12,52
12,54
12,54
12,57
12,60
12,62

Pronostico
204582,74
221853,54
239517,58
260808,82
274511,45
279291,79
284389,72
288083,79
296048,95
304657,94

ROOMS
179364
200464
221113
246913
267032
274969
278064
278957
286529
296251
303578

Nmero de Habitaciones vs. Prediccin

350000

300000

250000

200000

150000

100000

50000

0
1991

1992

1993

1994

1995

1996

Pronostico

1997

1998

1999

2000

2001

ROOMS

126

d) Prediccin Final
Ahora, obtenemos la prediccin final para el ao 2001:
Ingresos anuales = (occup/100)*(365*rrate/1000000)* rooms
= 69,034/100 * 365*42,63/1000000 * 309572
= 3325,67 millones de dlares por ao
De este modo, la prediccin para las ventas de la cadena de hoteles del ao 2001 es de
US$3325.67 millones.
Note que a travs de este enfoque no es posible obtener una prediccin para el ao 2002, a
menos que se cuente con nueva informacin del ao 2001 para las diferentes variables explicativas. Este
problema es salvado en cierta medida por los modelos atericos del siguiente captulo. Sin embargo, a
modo de ilustracin, ntese que una especificacin AR(2) para el ingreso de la cadena de hoteles puede
ser estimado como:
Ingreso = beta0 + beta1*Ingreso{1} + beta2*Ingreso{2}
Se obtiene:
Beta0=11,68
Beta1=1,39
Beta2=-0,29
Y una prediccin para 2001 de 3326,67 millones de dlares por ao, lo que es bastante similar a
lo obtenido anteriormente. Ntese que ahora puede estimarse ahora una prediccin para 2002 usando la
misma ecuacin anterior, lo que arroja: de 3811,03 millones de dlares por ao

127

6.4. MEDIDAS DE ERROR DE PREDICCION

En ciertos casos se enfrentan varios modelos alternativos de prediccin, y debe buscarse el mejor
de ellos. Para esto, es conveniente separar la muestra de observaciones disponibles en dos tipos:
a) Muestra de Calibracin: Usada para calcular los prmetros del modelo
b) Muestra de Validacin: Usada solo para estimar la precisin de la medicin. Entrega una evaluacin
ucho ms precisa (realistica) que la muestra de calibracin.

En el proceso de Validacin, existen varias medidas que ayudan a seleccionar el modelo de

prediccin que se ajusta mejor a los datos. Las medidas ms usadas son:

6.4.1. Error Cuadrtico Medio (Mean Squared Error, MSE)

Es la medida de precisin ms usada en estadstica:
n

MSE =
1

et2
n

La mayora de los errors caen dentro de 2*RMSE de los errores, por lo que su interpretacin
esclara. Como caracterstica adicional, penaliza los errores grandes ms que los errores pequeos.
A veces se usa la raiz cuadrada (Root Mean Squared Error, RMSE).

6.4.2. Promedio del Error Absoluto (Mean Absolute Error, MAE)

n

et

MAE =

Tiene por caracterstica penalizar de igual modo todos los errores. Como ventaja ofrece una
interpretacin atractiva: expresa el error promedio por perido, conservando las unidades originales de
medicin.

6.4.3. Promedio del Porcentaje de Error Absoluto (Mean Absolute Percentage Error, MAPE)

et
n

MAPE =
1

Yt
n

donde yt = y observado

128

Como ventaja presenta una interpretacin atractiva, pues se expresa como porcentaje promedio
de error por periodo, lo que permite la comparacin entre series diferentes (por ejemplo diferentes
productos).

6.4.4. Ejemplo de Clculo

Evale el ajuste predictivo de (A) un modelo lineal y (B) un modelo AR(1) para las ventas de los
aos 2000, 2001 y 2002.
Ao
1.990 1.991 1.992 1.993 1.994 1.995 1.996 1.997 1.998 1.999 2.000 2.001 2.002
Ventas ($)
200
220
250
270
300
280
290
320
350
300
310
340
345

Para esto se estiman ambos modelos para los aos 1990 - 1999. Los resultados de la estimacin
son:
(A): Vt = -26315,33 + 13,33 Aot
(B): Vt = 107,83 + 0,649*Vt-1
Las predicciones con cada modelo se presentan a continuacin en las columnas Ventas (A) y
Ventas (B):

1
2
3
4
5
6
7
8
9
10
11
12
13

Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002

Ventas
200
220
250
270
300
280
290
320
350
300
310
340
345

Ventas (A)
218,00
231,33
244,67
258,00
271,33
284,67
298,00
311,33
324,67
338,00
351,33
364,67
378,00

Intercepto
Pendiente

-26.315,33
13,3333

Ventas (B)
237,63
250,61
270,08
283,06
302,53
289,55
296,04
315,51
334,98
325,23
318,91
314,80

Error 2 (A)

1.708,44
608,44
1.089,00
1.135,30
MSE

Error 2 (B)

232,08
444,86
911,88
529,61
MSE

Abs E (A)

41,33
24,67
33,00
33,00
MAD

Abs E (B)

15,23
21,09
30,20
22,17
MAD

% E (A)

13,33%
7,25%
9,57%
10,05%
MAPE

% E (B)

4,91%
6,20%
8,75%
6,62%
MAPE

107,83
0,6490

Ntese que a travs del modelo B, para predecir los aos 2000, 2001 y 2002 debe usarse los datos
anteriores de Ventas(B), y no los datos conocidos de Ventas. Por ejemplo 325,23=107,83 +
0,6490*334,98.
Luego, se prefiere el modelo de regresin AR(1).

129

CAPTULO 7
MODELOS ARIMA

Box y Jenkins (1976) propusieron la que hoy en da es una muy popular mtodologa para la
identificacin, estimacin y prediccin de series de tiempo univariadas estacionarias. Esta mtodologa se
basa en los llamados modelos ARIMA, es decir modelos que poseen componentes autorregresivos (AR) y
de medias mviles (MA), los que nos avocaremos a estimar ahora. La generalizacin de los modelos
ARIMA al caso multivariado corresponde a los modelos de vectores autorregresivos (VAR).
Los modelos ARIMA y los modelos VAR son a veces llamados a-tericos, en el sentido que una
determinada serie es explicada bsicamente por informacin pasada de la misma serie, sin que
necesariamente exista un modelo terico-econmico detrs. A pesar de esto, cuando el objetivo es
predictivo se ha encontrado que tales modelos resultan ser exitosos en muchos casos. Puesto que ste es
un tema extenso y con un gran desarrollo, especialmente terico, estamos aqu especialmente
interesados en los aspectos estimacinales de los mismos.

7.1. AUTOCORRELACIONES SIMPLES Y PARCIALES

Anteriormente hemos calculado las autocorrelaciones simples de una serie usando la instruccin
CORRELATE. Sin embargo en el anlisis de los modelos ARIMA es de inters estimar tambin las
autocorrelaciones parciales, por lo que comentaremos esta instruccin con mayor detalle.
Las autocorrelaciones parciales corresponden a las correlaciones entre observaciones que estn
separadas k periodos de tiempo, manteniendo constantes las correlaciones de los rezagos intermedios. En
otras palabras, es la correlacin entre Yt y Yt-k despus de eliminar el efecto de todas las observaciones
intermedias de Y.
En una versin posterior de este manual se analizarn las Autocorrelaciones Parciales en Excel.
Por ahora nos limitamos a las autocorrelaciones simples.

130

9.2. PROCESOS AUTORREGRESIVOS (AR)

Un proceso autorregresivo de orden p, AR(p), es uno que tiene la siguiente forma:

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + et

es decir, el valor actual de Y es explicado por una serie de p rezagos de sta serie, ms un error que se
asume bien comportado.

131

9.2.1. SIMULACION DE PROCESOS AR(1)

A modo de ilustracin, analicemos dos procesos AR(1):

Yt = 0.8Yt 1 + et

Yt = 1.05Yt 1 + et

donde et es N(0,1)

La simulacin de estos procesos en Excel puede ser como sigue:

Simulacin de modelos AR(1)

350

300

250

200

150

100

50

97
10
0

91
94

85
88

79
82

73
76

67
70

61
64

55
58

49
52

43
46

37
40

31
34

28

22
25

16
19

7
10
13

-50
0,85

1,05

Con esto concluimos que en un proceso autorregresivo puro, como los graficados, cuando el valor
del coeficiente de Yt-1 es menor que 1 se tiene un proceso estable (estacionario), mientras que cuando
este coeficiente es mayor a uno (por ejemplo 1.05 como en este ltimo caso), el proceso no es estable (a
veces es llamado explosivo) 29, de modo que sta es entonces una condicin para la estabilidad del
proceso (parte de este resultado ya fue analizado en el captulo anterior de races unitarias).

29

En realidad estas condiciones pueden mostrarse formalmente, para lo cual remitimos al lector a un libro de texto,
por ejemplo Hamilton (1994).

132

9.2.2. ESTIMACION DE UN PROCESO AUTOREGRESIVO

Un proceso AR puro es sencillo de estimar pues es lineal, de modo que en Excel puede hacerse a
travs de MCO.
Veamos su funcionamiento a travs de un ejemplo:
Ejemplo: Ver datos en Tabla 1 del Anexo al final del libro
Un modelo AR=||1,3|| para el DESEMPLEO, es decir donde Y depende de Y{1} y de
Y{3}, es:
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. AR{1}
1.531501948 0.194296334
7.88230 0.00010018
2. AR{3}
-0.551202184 0.200659270
-2.74696 0.02862940

133

9.3. PROCESOS DE MEDIAS MOVILES

Un proceso de medias mviles de orden q es uno de la siguiente forma:

Yt = 0 et + 1et 1 + 2 et 2 + ... + q et q
es decir, el valor actual de Y es explicado por una serie de q rezagos de los errores de estimacin. El
procedimiento de estimacin pasa por la implementacin del algoritmo de Gauss-Newton con derivadas
numricas, el que puede ser aplicado en Excel a travs de Solver.

9.3.1. SIMULACION DE PROCESOS MA(1)

Podemos simular un proceso MA(q) haciendo que Y dependa de errores (0,1) rezagados.

9.3.2. ESTIMACION DE UN PROCESO DE MEDIAS MOVILES

Para el caso del desempleo, la estimacin de un proceso MA(2) con constante, requiere un ajuste
o estimacin en funcin de los dos parmetros buscados (beta0 y beta1), con la caracterstica que el
ajuste depende de los errores, es decir de la diferencia entre las series Desempleo y Ajuste.
Desempleot = beta0 + beta1* et-2
Luego se calculan los errores al cuadrado y se suman, lo que constituye la suma cuadrada de
errores, que es lo que se quiere minimizar para lograr el mejor ajuste posible del modelo a los datos.
En los casos de los meses enero y febrero, el ajuste corresponde exactamente al coeficiente
beta0, que es la esperanza del proceso, lo que permite calcular todos los errores.
Los resultados del ejemplo se muestran a continuacin:

fecha
desempleo
2000,01
497,40
2000,02
473,53
2000,03
479,93
2000,04
494,66
2000,05
521,18
2000,06
546,79
2000,07
592,45
2000,08
613,53
2000,09
626,59
2000,10
585,37
2000,11
551,84
2000,12
489,42

Ajuste
521,67
521,67
499,34
477,37
503,82
537,58
537,65
530,15
572,10
598,40
571,82
509,68

Error
-24,27
-48,14
-19,41
17,29
17,36
9,21
54,80
83,38
54,49
-13,03
-19,98
-20,26
SCErr=

Error_2
589,20
2317,79
376,62
298,90
301,54
84,77
3002,73
6952,89
2969,32
169,90
399,09
410,43
17873,17

beta0
beta1

521,67
0,92

Con esto, una prediccin para enero y febrero de 2001 son respectivamente 503,29 y 503,03.

134

Dos observaciones on importantes en este punto:

a) La anterior es claramente una estimacion no lineal, es decir de tipo iterativo. En consecuencia, al no
tratarse de MCO, algunas de las propiedades de stos no se cumplen ahora.
b) La herramienta SOLVER de Excel es de gran valor en esta parte. Sin embargo ser presentada aqu de
un modo introductoria.
Un ltimo ejemplo servir para clarificar la estimacin de este tipo de proceso:
Desempleot = beta0 + beta1* et-1 + beta2* et-3
es decir un proceso MA(1,3) con constante. Para esto, solo es posible calcular los errores correctamente
entre abril y diciembre. En marzo (celda B4) se escribe un modelo MA(1), aligual que en febrero. Enero se
plantea con beta0. Los resultados son los siguientes:

135

9.3. PROCESOS ARIMA

Un proceso ARIMA(p,q) tiene la siguiente forma:

Yt = 1Yt 1 + 2Yt 2 + ... + pYt p + 0 et + 1et 1 + 2 et 2 + ... + q et q + et

es decir la unin de procesos AR(p) y MA(q).
La siguiente tabla ilustra la especificacin para diferentes modelos ARIMA simples:

La estimacin de un modelo ARIMA en Exel es como sigue:

Ejemplo:

BOXJENK(AR=||3||,MA=||2||) desempleo
Dependent Variable DESEMPLEO - Estimation by Box-Jenkins
Iterations Taken
10
Monthly Data From 2000:04 To 2000:12
Usable Observations
9
Degrees of Freedom
7
Centered R**2
-0.572325
R Bar **2 -0.796943
Uncentered R**2
0.988880
T x R**2
8.900
Mean of Dependent Variable
557.98888889
Std Error of Dependent Variable 49.94770877
Standard Error of Estimate
66.95495087
Sum of Squared Residuals
31380.758118
Durbin-Watson Statistic
0.387783
Q(2-2)
5.424152
Significance Level of Q
0.00000000
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. AR{3}
0.9825785293 0.0578230093
16.99286 0.00000060
2. MA{2}
1.0416452807 0.6656597453
1.56483 0.16160111

El mismo proceso con una constante ser:

136

Ejemplo:

BOXJENK(constant, AR=||3||,MA=||2||) desempleo

Dependent Variable DESEMPLEO - Estimation by Box-Jenkins
NO CONVERGENCE IN 20 ITERATIONS
LAST CRITERION WAS 0.1534669
Monthly Data From 2000:04 To 2000:12
Usable Observations
9
Degrees of Freedom
6
Centered R**2
0.748319
R Bar **2
0.664425
Uncentered R**2
0.998220
T x R**2
8.984
Mean of Dependent Variable
557.98888889
Std Error of Dependent Variable 49.94770877
Standard Error of Estimate
28.93412632
Sum of Squared Residuals
5023.1019945
Durbin-Watson Statistic
0.314025
Q(2-2)
0.012288
Significance Level of Q
0.00000000
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. CONSTANT
492.9924859
1.5429219
319.51875 0.00000000
2. AR{3}
-0.6715100
0.2070111
-3.24384 0.01760192
3. MA{2}
4.5048722
2.3014910
1.95737 0.09805183

Ntese que el algoritmo no ha alcanzado la convergencia para este ejemplo, probablemente

debido al bajo nmero de observaciones. En cualquier caso el resultado obtenido anteriormente no puede
considerarse como admisible. Puede intentarse aumentando el numero de iteraciones con
ITERATIONS=100. Sin embargo esto tampoco asegura la convergencia.

137

7.4. EL ENFOQUE DE BOX Y JENKINS

Box y Jenkins han propuesto un procedimiento de 4 pasos que involucra la identificacin,
estimacin, diagnstico y prediccin de modelos ARIMA.

138

Veamos a continuacin estos pasos para el ejemplo desarrollado por Enders (1996), pagina 47,
para el ndice de precios al consumidor de los Estados Unidos.

9.4.1. PASO 1: IDENTIFICACIN

El objetivo aqu es identificar el tipo de modelo ARIMA apropiado a la serie que se est analizando.
Ejemplo:

;* la informacin es trimestral partiendo

en el 1 trimestre de 1960.

cal 1960 1 4
all 0 1992:2
data(unit=input,org=obs) / WPI
... Ver datos en la Tabla 15
table
Series
WPI

Obs
130

Mean
65.090000000

Std Error
31.366183959

Minimum
Maximum
30.500000000 116.200000000

source(noecho) c:\winrats\bjident.src
@bjident wpi

0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS
PARTIALS

-1.00
0

10

15

20

;* puesto que las correlaciones simples decrecen muy lentamente, asumimos que
la serie contiene una raz unitaria, por lo que debe ser diferenciada.
set dlwpi = log(wpi) - log(wpi{1}) ;* es la diferenciacin basada en logaritmos
@bjident dlwpi

;* calculamos nuevamente las autocorrelaciones

139

0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS
PARTIALS

-1.00
0

10

15

20

;* el grfico no es claro en sugerir una determinada estructura, por lo que se

comienza intentando un ajuste ARMA(1,1):

9.4.2. PASO 2: ESTIMACIN

Una vez decidida una especificacin para la serie, procedemos a estimarla verificando si el nmero
de rezagos es el apropiado.

140

boxjenk(constant,ar=1,ma=1) dlwpi / resids

;* un modelo ARMA(1,1) con

intercepto

...
Variable
Coeff
Std Error
T-Stat
Signif
*******************************************************************************
1. CONSTANT
0.010484902 0.004405769
2.37981 0.01883337
2. AR{1}
0.889069641 0.059263358
15.00201 0.00000000
3. MA{1}
-0.514522826 0.111683147
-4.60699 0.00000992

cor(partial=pacf,qstats,span=8,dfc=%nreg) resids

Correlations of Series RESIDS

Quarterly Data From 1960:03 To 1992:02
Autocorrelations
1: 0.0074000 -0.0485621 -0.0120277
7: -0.0709830 -0.0954604 -0.1005335
13: 0.0116557 0.0424470 -0.0253348
19: 0.0445649 0.1333987 0.0265432
25: -0.1075636 0.1326487 0.0098318
31: -0.0902157 0.1551906

;* la correccin por grados

de libertad es el nmero de
regresores en BOXJENK

0.1585506
0.0133654
0.0147031
0.0350266
0.0454919

-0.0483299 0.1502811
-0.1225670 -0.0374033
-0.0119804 -0.0822551
-0.0012545 0.0750815
-0.0901244 -0.0275496

Partial Autocorrelations
1: 0.0074000 -0.0486195 -0.0113184 0.1567634 -0.0534576 0.1706623
7: -0.0832060 -0.1059913 -0.0898829 -0.0540433 -0.1009550 -0.0392973
13: 0.0487349 0.0667988 0.0340725 0.0104601 -0.0115962 -0.1276234
19: 0.0045915 0.0816563 0.0384150 0.0976347 -0.0005648 0.1000586
25: -0.1483901 0.0856106 -0.0279169 0.0449157 -0.0325792 -0.0695697
31: 0.0058260 0.1388075
Ljung-Box Q-Statistics
Q(8)
=
9.0642.
Q(16) =
13.2492.
Q(24) =
18.5435.
Q(32) =
30.7083.

Significance
Significance
Significance
Significance

Level
Level
Level
Level

0.10653191
0.42875481
0.61439740
0.37930107

;* para efectos de comparacin posterior, se calculan las medidas de bondad de

ajuste de Schwartz y Akaike respectivamente 30:
compute sbc = %nobs*log(%rss) + %nreg*log(%nobs)
compute aic = %nobs*log(%rss) + 2*%nreg
display 'AIC' aic 'SBC' sbc
AIC

-523.39339 SBC

-514.83730

;* analizamos los residuos, esperando que se comporten como ruido blanco, lo

que implicara que el modelo ha sido bien ajustado.

30

Anteriormente vimos estas pruebas de parsimonia. El objetivo es minimizar ambos criterios, los que pueden ser
negativos.

141

@bjident resids

0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS
PARTIALS

-1.00
0

10

15

20

;* aparentemente las correlaciones del 4 residuo son altas en trminos

relativos, por lo que puede sospecharse la existencia de un MA(4), debido
posiblemente a la estacionalidad. Enders intenta entonces una especificacin
ARMA(1,||1,4||):
boxjenk(constant,ar=1,ma=||1,4||) dlwpi / resids

;* estimamos el modelo
ARMA(1,||1,4||)

...
cor(partial=pacf,qstats,span=8,dfc=%nreg) resids
Correlations of Series RESIDS
Quarterly Data From 1960:03 To 1992:02
Autocorrelations
1: 0.0089624 -0.0328139 0.0703164 -0.0371207 -0.1003303 0.1643790
7: -0.0416431 -0.0704238 -0.0637490 0.0023137 -0.0800136 0.0130417
13: 0.0672441 0.0760727 -0.0200882 -0.0009854 -0.0204687 -0.1018997
19: 0.0413006 0.1192971 0.0407567 0.0259783 0.0031011 0.0614874
25: -0.1015937 0.1397403 0.0185355 -0.0080937 -0.0413297 -0.0409861
31: -0.1119197 0.1516016
Partial
1:
7:
13:
19:
25:
31:

Autocorrelations
0.0089624 -0.0328968 0.0709975 -0.0399206 -0.0953807 0.1619230
-0.0503915 -0.0497286 -0.0944232 0.0118146 -0.0505699 -0.0143084
0.0645411 0.0882197 -0.0048105 -0.0319778 -0.0138617 -0.1005960
0.0351777 0.0883233 0.0754616 0.0357150 -0.0111996 0.1115583
-0.1192968 0.1231648 -0.0347506 0.0352566 -0.0425849 -0.0582155
-0.0172188 0.1442226

Ljung-Box Q-Statistics
Q(8)
=
6.9692.
Q(16) =
10.0318.
Q(24) =
15.0892.
Q(32) =
26.7146.

Significance
Significance
Significance
Significance

Level
Level
Level
Level

0.13752250
0.61317493
0.77128316
0.53382615

;* se calculan nuevamente las medidas de bondad de ajuste de Schwartz y Akaike:

142

compute sbc = %nobs*log(%rss) + %nreg*log(%nobs)

compute aic = %nobs*log(%rss) + 2*%nreg
display 'AIC' aic 'SBC' sbc
AIC

-527.39070 SBC

-515.98258

;* ambos criterios sugieren que esta ltima especificacin es ms apropiada.

Las autocorrelaciones son:
@bjident resids
0 Regular 0 Seasonal
1.00

0.75

0.50

0.25

0.00

-0.25

-0.50

-0.75
CORRS
PARTIALS

-1.00
0

10

15

20

;* en efecto, los residuos parecen ruido blanco, por lo que aceptamos esta
ltima especificacin.

9.4.3. PASO 3: VERIFICACIN / DIAGNSTICO

Enders propone efectuar una prueba F de cambio estructural 31.
compute rssall = %rss
compute nobs = %nobs
boxjenk(noprint,constant,ar=1,ma=||1,4||) dlwpi 1960:3 1971:4 resid
compute rss1 = %rss
boxjenk(noprint,constant,ar=1,ma=||1,4||) dlwpi 1972:1 1992:2 resid
compute rss2 = %rss
compute F = ((rssall-rss1-rss2)/%nreg)/((rss1+rss2)/(nobs-2*%nreg))
display F
0.53825
cdf ftest F %nreg nobs-2*%nreg
F(4,120)=

31

0.53825 with Significance Level 0.70789873

Vase la seccin 3.9.

143

Puesto que la hiptesis nula es inexistencia de cambio estructural, no podemos rechazarla a los
niveles usuales de confianza. Este resultado nos permitira usar el modelo anterior para fines predictivos.

9.4.4. PASO 4: PREDICCIN

Se obtienen 8 predicciones para cada modelo, limitando ahora el periodo de estimacin hasta
1990:4 solamente, en lugar de 1992:02 como antes, a fin de dejar un nmero de observaciones finales
para una comparacin exsample, es decir con datos reales no usados en la estimacin.
smpl 1960:1 1990:4

;* se efectuarn estimaciones solamente para este

subperiodo

boxjenk(noprint,define=eq1,constant,ar=1,ma=||1,4||) dlwpi 60:3 90:4 resids

forecast 32(print) 1 8 1991:1
# eq1 fore1
;* las predicciones son almacenadas en la serie fore1 y
pueden obtenerse con print 91:01 92:04 fore1
Entry
1991:01
1991:02
1991:03
1991:04
1992:01
1992:02
1992:03
1992:04

DLWPI
0.0188847938078
0.0125375481179
0.0174885621621
0.0225979697375
0.0202683832419
0.0184263689693
0.0169698801945
0.0158182281240

boxjenk(noprint,define=eq2,constant,ar=1,ma=1) dlwpi 60:3 90:4 resids

forecast(print) 1 8 1991:1
# eq2 fore2
;* las predicciones son almacenadas en la serie fore2
Entry
1991:01
1991:02
1991:03
1991:04
1992:01
1992:02
1992:03
1992:04

DLWPI
0.0188094779880
0.0180561216985
0.0173876265082
0.0167944333198
0.0162680598113
0.0158009791435
0.0153865123313
0.0150187327370

Ahora mostramos un resumen de las series originales y de las predicciones de cada

modelo.

32

Vase la prediccin de sistemas VAR en la seccin 9.5.3. para una descripcin de esta instruccin.

144

print

1990:01

ENTRY
1990:01
1990:02
1990:03
1990:04
1991:01
1991:02
1991:03
1991:04
1992:01
1992:02
1992:03
1992:04

1992:04 wpi dlwpi fore1 fore2

WPI
111.00000000000
110.80000000000
112.80000000000
116.20000000000
113.80000000000
112.70000000000
112.50000000000
112.70000000000
112.40000000000
113.60000000000
NA
NA

DLWPI
0.014519311324
-0.001803426999
0.017889564751
0.029696505354
-0.020870322726
-0.009713100646
-0.001776199401
0.001776199401
-0.002665483586
0.010619568827
NA
NA

FORE1
NA
NA
NA
NA
0.0188847938078
0.0125375481179
0.0174885621621
0.0225979697375
0.0202683832419
0.0184263689693
0.0169698801945
0.0158182281240

FORE2
NA
NA
NA
NA
0.0188094779880
0.0180561216985
0.0173876265082
0.0167944333198
0.0162680598113
0.0158009791435
0.0153865123313
0.0150187327370

;* a fin de determinar cual modelo habra tenido ms xito en predecir los

valores futuros de la serie DLWPI puede calcularse ahora la media de la suma
cuadrada de los errores de prediccin (mean squared forecast errors, MSE), y
tambin la suma cuadrada de los errores de prediccin. La comparacin ser
hecha para el periodo 1991:01 a 1992:02.
smpl 91:1 92:2
set error1 91:1 92:2 = (dlwpi - fore1)**2
set error2 91:1 92:2 = (dlwpi - fore2)**2
table / error1 error2
Series
ERROR1
ERROR2

Obs
Mean
Std Error
Minimum
Maximum
6 0.00057785770 0.00051875480 0.00006094613 0.00158046929
6 0.00055395699 0.00055631156 0.00002684701 0.00157448658

;* el criterio de la MSE muestra que el modelo ARMA(1,1) lo habra hecho un

poco mejor que el modelo ARMA(1,||1,4||).
set error3 91:1 92:2 = (dlwpi - fore1)
set error4 91:1 92:2 = (dlwpi - fore2)
table / error3 error4
Series
ERROR3
ERROR4

Obs
Mean
6 -0.0221388274
6 -0.0209576728

Std Error
Minimum
Maximum
0.0102604107 -0.0397551165 -0.0078068001
0.0117336922 -0.0396798007 -0.0051814103

;* finalmente el ltimo criterio llega a una conclusin similar.

145

METODOS DE SUAVIZAMIENTO

S = nivel de suavizamiento de las series

T = tasa de Tendencia
I = Indice estacional (factor)
e = error de prediccin
P = span estacional

146

CAPTULO 8
ERROR EN LAS VARIABLES:
INSTRUMENTOS

Existen muchos casos en que alguna de las variables independientes X no puede ser observada
directamente, para lo cual puede asumirse que existe a su vez un modelo que explica X en funcin de un
nmero de otras variables. Si este es el caso, se generan dos tipos de problemas: en primer lugar X ya no
es fija, sino que es estocstica (regresores estocsticos), y segundo, X es medida con error (existe error
de medicin o error en las variables).
Hemos dicho anteriormente que cuando los regresores son estocsticos o existe error de
medicin, generalmente se viola el supuesto de independencia de los errores con los regresores del
modelo de regresin, lo que genera estimadores sesgados inconsistentes a travs de MCO, por lo que ste
no es el mtodo apropiado. Ntese que este problema tambin ocurre en los modelos de series de tiempo
tipo AR en que existe como variable explicativa una variable dependiente rezagada (Yt-1).
Existen casos en un modelo de regresin mltiple en que el coeficiente de la variable medida con
error no es de inters, por lo que uno podra plantearse simplemente el excluirla. Sin embargo es
recomendado el uso de variables proxies (aquellas medidas con error) para mantener la especificacin del
modelo, pues la omisin de variables relevantes puede introducir sesgos en los estimadores restantes.

8.1. VARIABLES INSTRUMENTALES

La mtodologa estndar para trabajar con este problema es el uso de variables instrumentales,
es decir aquellas que explican a las variables medidas con error, las que deben cumplir con el requisito de
no estar correlacionadas con el error, pero estar altamente correlacionadas con las variable exgenas.
Bajo estas condiciones, el estimador de variables instrumentales es consistente en el lmite, sin embargo
no necesariamente es el ptimo, pues pueden existir otros instrumentos con mejor comportamiento. Note
tambin que el uso de muchos instrumentos consume observaciones (grados de libertad).
Si el modelo que se desea estimar es

Y = 0 + 1 X +
sin embargo X no es conocida, aunque puede estimarse con error usando las variables Z1 y Z2, es decir:

X * = 0 + 1 Z1 + 2 Z 2 +

(1)

en que X* es una variable proxy de X, y Z es un instrumento. Ahora el modelo original puede ser reescrito
como:

147

Y = + 1 1 Z1 + 2 1 Z 2 +

(2)

As, este problema puede ser reescrito como uno resolucin de las dos ecuaciones (1) y (2)
simultneamente. El procedimiento de resolucin es llamado mnimos cuadrados en dos etapas (MC2E),
que consiste en:
Paso 1: estimar (1) y guardar la proyeccin de X.
Paso 2: estimar (2) usando la proyeccin de X anterior.

8.2. ESTIMACIN CON INSTRUMENTOS EN SPSS

Veamos la forma de implementar la estimacin con instrumentos a travs de un ejemplo:
Ejemplo: Se tiene Y que depende linealmente de X1 y X2 (Instrumentos.sav). Para la
estimacin se dispone de los instrumentos Z2 y Z3.
Primero la estimacin de X1 en funcin de los instrumentos, asegurando que los valores
predichos (ajustados) sean guardados:
Coefficientsa

Model
1

(Constant)
Z2
Z3

Unstandardized
Coefficients
B
Std. Error
16.325
10.187
.960
1.465
2.600
1.717

Standardi
zed
Coefficien
ts
Beta
.711
1.643

t
1.603
.655
1.514

Sig.
.135
.525
.156

a. Dependent Variable: X1

Luego la estimacin de X2 en funcin de los instrumentos, asegurando que los valores

predichos (ajustados) sean guardados en otra serie nueva:
Coefficientsa

Model
1

(Constant)
Z2
Z3

Unstandardized
Coefficients
B
Std. Error
35.105
26.194
-.373
3.768
-4.737
4.414

Standardi
zed
Coefficien
ts
Beta
-.096
-1.046

t
1.340
-.099
-1.073

Sig.
.205
.923
.304

a. Dependent Variable: X2

Los resultados de las series son como sigue:

148

Finalmente, la estimacin de Y en funcin de los valores predichos en las ecuaciones

anteriores, que corresponde a la estimacin en dos etapas:
Coefficientsa

Model
1

(Constant)
Unstandardized
Predicted Value
Unstandardized
Predicted Value

Unstandardized
Coefficients
B
Std. Error
-.621
115.644

Standardi
zed
Coefficien
ts
Beta

t
-.005

Sig.
.996

1.122

3.384

1.017

.331

.746

9.696E-02

1.166

.255

.083

.935

a. Dependent Variable: Y

Este resultado es posible de obtener directamente a travs de:

Analize > Regression > 2-Stage Least Squares
y seleccionando z1 y z2 como instrumentos:
MODEL:

MOD_1.

. . .
------------------ Variables in the Equation -----------------Variable
X1
X2
(Constant)

SE B

Beta

Sig T

1.121658
.096963
-.621193

4.466377
1.539588
152.650768

1.084998
.268545

.251
.063
-.004

.8060
.9508
.9968

. . .

de modo que verificamos los resultados previos.

149

8.3. EL ESTIMADOR DE VARIABLES INSTRUMENTALES

a) En el modelo lineal:

Y = X + e,

E [Z ' e] = 0

es decir con instrumentos independientes de los

errores, puede mostrarse que el estimador de V. Instrumentales es el de MC en 2 etapas dado por:

[(

b N X ' ZW 1 Z ' X
donde por default

) (X ' ZW
1

Z 'Y

, s 2 X ' ZW 1 Z ' X

W 1 = ( Z ' Z ) 1 , aunque esta matriz puede modificarse con la opcin WMATRIX para

generalizar y controlar el procedimiento.

Operacionalmente, debe existir a lo menos tantos instrumentos como parmetros a estimar, de lo
contrario el modelo puede resultar subidentificado (por ejemplo si se tienen que estimar 3 parmetros con
solamente 2 instrumentos).
b) En el caso de regresines no-lineales (por ejemplo modelos AR y Mnimos Cuadrados no lineales):

Y = f ( X , ) + e, E [Z ' e] = 0

b N min e' ZW 1 Z ' e

e
e

' ZW 1 Z '
, s


2

150

REFERENCIAS
Akaike, H. (1973). Information Theory and the Extension of the Maximum Likelihood Principle. En 2
International Symposium on Information Theory. B. Petrov y F. Csaki eds., Budapest.
Bollerslev, T. (1986). Generalized Autorregressive Conditional Heteroscedasticity. Journal of
Econometrics, Vol. 31(1986), pp 307-327.
Box, G. y G. Jenkins (1976). Time Series Analysis, Forecasting and Control. Holden Day: San Francisco.
Breush, T. (1978). Testing for Autocorrelation in Dynamic Linear Models. Australian Economic Papers,
17, pp. 334-355.
Breusch, T. y A. Pagan (1979). A Simple Test for Heteroscedaticity and Random Coefficient Variation.
Econometrica, Vol. 47, pp. 1287-1294.
Chow, G. (1960). Tests of Equality Between Sets of Coefficients in Two Linear Regressions.
Econometrica 28, pp. 591-605.
Cochrane, D. y G. Orcutt (1949). Application of Least Squares Regression to Relationships Containing
Autocorrelated Error Terms. Journal of the American Statistical Association 44, pp. 32-61.
Doan, T. (1995). RATS-Users Manual-versin 4.2. Estima: Evanston
Dickey, D. y W. Fuller (1979). "Distribution of the Estimates for Autoregressive Time Series with a Unit
Root", Journal of the American Statistical Association, 74, pp. 427-431.
Dickey, D. y W. Fuller (1981). "Likelihood ratio Statistics for Autoregressive Time Series with a Unit Root.
Econometrica 49, pp. 1057-1072.
Durbin, J. y G. Watson (1951). Testing for Serial Correlation in Least Squares Regression-II. Biometrika
38, pp. 159-178.
Durbin, J. (1970). Testing for Serial Correlation in Least Squares Regression When Some of the
Regressors are Lagged Dependent Variables. Econometrica 38, pp. 410-421.
Engle, R. (1982).Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United
Kingdom Inflation. Econometrica (50): 987-1008.
Engle, R. y C. Granger (1987), "Cointegration and Error Correction: Representation, Estimation and
Testing", Econometrica, 55, 251-276.
Engle, R. y B. Yoo (1987). Forecasting and Testing in Cointegrated Systems. Journal of Econometrics
35. pp. 143-159.
Enders, W. (1995). Applied Econometric Time Series, New York. John Wiley and Sons.
Enders, W. (1996). Rats Handbook for Econometric Time Series. John Wiley and Sons.
Godfrey, L. (1978). Testing AgainstGeneral Autorregresive and Moving Average Error Models When the
Regressors Include Lagged Dependent Variables. Econometrica, 46. pp. 1293-1302.
Goldleld, S. y R. Quandt (1972). Nonlinear Methods in Econometrics. Amsterdam: North Holland, cap. 3.
Granger, C. (1969). Investigating Causal Relations by Econometric Models and Cross Spectral Models.
Econometrica, Vol. 37, pp. 424-438.

151

Greene, W. (1999). Anlisis Economtrico, Prentice Hall Iberia S.R.L. 3a. Edicin, Madrid, Espaa.
Gujarati, D. (1997). Econometra. Mc Graw Hill. 3a. Edicin, Santaf de Bogot, Colombia.
Hall, R., J. Johnston y D. Lilien (1990). MicroTsp Users Manual v. 7.0. Quantitative Micro Software, Irvine,
California.
Hamilton, J. (1994). Time Series Analysis. Princeton University Press.
Hidreth, C. y J. Lu (1960). Demand Relations with Autocorrelated Disturbances. Technical Bulletin
N276, Michigan State University. Agricultural Experiment Station.
Intriligator, M. (1991). Modelos Economtricos, Tcnicas y Aplicaciones. Fondo de Cultura Econmica.
Mxico.
Johansen, S. (1988), "Statistical Analysis of Cointegrated Vectors", Journal of Economics Dynamics and
Control, 12, 231-254
Judge, G., Hill C. y Griffihs, W. (1988). Introduction to the theory and Practice of Econometrics. John
Wiley Sons. Second Edition.
Klein, L. (1950). Economic Fluctuations in the United States 1921-1941. New York: John Wiley and Sons.
Klein, L. (1962). An Introduction to Econometrics. Englewood Cliffs: Prentice Hall.
Ljung, G. Y G. Box (1978). On a Measure of Lack of Fit in Time Series Models. Biometrica 65, 297-303.
Maddala, G. S. (1996). Introduccin a la Econometra. Segunda Edicin. Prentice-Hall.
Mackinnon, J. (1991). Critical Values of Cointegration Tests, en Engle y Granger eds. Long Run
Economic Relationships: Readings in Cointegration, cap. 13. Oxford University Press. New York.
Mills, T. (1993). The Econometric Modelling of Financial Time Series. Cambridge University Press.
Newey, W. y K. West (1987). "A Simple Positive-Definite Heteroskedasticity and Autocorrelation
Consistent Covariance Matrix". Econometrica (55): 703708.
Otero J. M. (1993). Econometra, Series Temporales y Prediccin. Editorial AC. Primera Edicin.
Pindyck, R. y D. Rubinfeld (1998). Econometric Models and Economic Forecasts. 4 Edicin. Irwin Mc Graw
Hill.
Schwartz, G. (1978). Estimating the Dimension of a Model. Annals of Statistics, Vol. 6, pp 461-464.
Sims, C. (1980). Macroeconomics and Reality. Econometrica, Vol. 48, pp 1-49.
White, H. (1980). A Heteroskedasticity-Consistent Covariance Matrix Estimator and Direct Test for
Heteroskedasticity. Econometrica, Vol. 48, pp. 817-838.
Zellner, A. (1962). An Efficient Method of Estimating Seemingly Unrelated Regressions and Test of
Aggregation Bias. Journal of the American Statistical Association 57, pp. 348-368.

152

ANEXO: DATOS UTILIZADOS EN EL LIBRO

TABLA 1
INFORMACIN MENSUAL DE ACTIVIDAD ECONMICA EN CHILE (IMACEC),
DESEMPLEO EN MILES DE PERSONAS DESOCUPADAS, E INDICE DE PRECIOS AL CONSUMIDOR
(BASE: DICIEMBRE 1998=100).
FECHA

IMACEC

DESEMPLEO

IPC

2000.01

254.40

497.40

102.49

2000.02

243.19

473.53

103.06

2000.03

267.40

479.93

103.81

2000.04

244.07

494.66

104.31

2000.05

248.97

521.18

104.53

2000.06

244.34

546.79

104.77

2000.07

242.02

592.45

104.91

2000.08

243.47

613.53

105.18

2000.09

235.21

626.59

105.82

2000.10

254.93

585.37

106.46

2000.11

252.29

551.84

106.82

2000.12
250.53
489.42
106.94
Fuente: Banco Central de Chile

153

TABLA 2
INFORMACIN DE 30 EMPRESAS RESPECTO A UNA FUNCIN DE PRODUCCIN COBB-DOUGLAS SIMPLE,
EN QUE EL PRODUCTO (Q) ES EXPLICADO POR EL CAPITAL (K) Y EL TRABAJO (L)
Empresa

Trabajo
(L)

Capital
(K)

Producto
(Q)

0.228

0.802

0.256918

0.258

0.249

0.183599

0.821

0.771

1.212883

0.767

0.511

0.522568

0.495

0.758

0.847894

0.487

0.425

0.763379

0.678

0.452

0.623130

0.748

0.817

1.031485

0.727

0.845

0.569948

10

0.695

0.958

0.882497

11

0.458

0.084

0.108827

12

0.981

0.021

0.026437

13

0.002

0.295

0.003750

14

0.429

0.277

0.461626

15

0.231

0.546

0.268474

16

0.664

0.129

0.186747

17

0.631

0.017

0.020671

18

0.059

0.906

0.100159

19

0.811

0.223

0.252334

20

0.758

0.145

0.103312

21

0.050

0.161

0.078945

22

0.823

0.006

0.005799

23

0.483

0.836

0.723250

24

0.682

0.521

0.776468

25

0.116

0.930

0.216536

26

0.440

0.495

0.541182

27

0.456

0.185

0.316320

28

0.342

0.092

0.123811

29

0.358

0.485

0.386354

30

0.162
0.934
0.279431
Fuente: Judge et al. Pg. 512

154

TABLA 3
AHORRO E INGRESO DEL REINO UNIDO 1946-1963
(MILLONES DE LIBRAS)
Ao

Ahorro

Ingreso

1946

0.36

8.8

1947

0.21

9.4

1948

0.08

10.0

1949

0.20

10.6

1950

0.10

11.0

1951

0.12

11.9

1952

0.41

12.7

1953

0.50

13.5

1954

0.43

14.3

1955

0.59

15.5

1956

0.90

16.7

1957

0.95

17.7

1958

0.82

18.6

1959

1.04

19.7

1960

1.53

21.1

1961

1.94

22.8

1962

1.75

23.9

1963
1.99
25.2
Fuente: Gujarati, Pg. 258

155

TABLA 4
CONSUMO E INGRESO DE 20 FAMILIAS
(MILES DE DLARES)
Familia

Consumo

Ingreso

19.9

22.3

31.2

32.3

31.8

36.6

12.1

12.1

40.7

42.3

6.1

6.2

38.6

44.7

25.5

26.1

10.3

10.3

10

38.8

40.2

11

8.0

8.1

12

33.1

34.5

13

33.5

38.0

14

13.1

14.1

15

14.8

16.4

16

21.6

24.1

17

29.3

30.1

18

25.0

28.3

19

17.9

18.2

20
19.8
20.1
Fuente: Maddala, Pg. 231

156

TABLA 5
INFORMACIN ANUAL HIPOTETICA DE INVENTARIOS (Y)
Y DE VENTAS (X) EN UNA DETERMINADA REGIN.
Ao

Inventario

Ventas

1979

52.9

30.3

1980

53.8

30.9

1981

54.9

30.9

1982

58.2

33.4

1983

60.0

35.1

1984

63.4

37.3

1985

68.2

41.0

1986

78.0

44.9

1987

84.7

46.5

1988

90.6

50.3

1989

98.2

53.5

1990

101.7

52.8

1991

102.7

55.9

1992

108.3

63.0

1993

124.7

73.0

1994

157.9

84.8

1995

158.2

86.6

1996

170.2

98.8

1997

180.0

110.8

1998

198.0

124.7

157

TABLA 6
INFORMACIN PARA LA PREDICCIN DE VENTAS DE UNA CADENA DE HOTELES.
TASA DE INTERS DE CORTO PLAZO (CPR, COMMERCIAL PAPER RATE)
PRODUCTO NACIONAL (GNP), OCUPACIN (OCCUP, PORCENTAJE DE HABITACIONES USADAS POR NOCHE),
DEFLACTOR DEL PRODUCTO (PGNP),
NUMERO DE HABITACIONES (ROOMS, NMERO DE HABITACIONES EN LA CADENA DE HOTELES).
INGRESO POR HABITACIN (RRATE, INGRESO PROMEDIO POR HABITACIN USADA POR NOCHE)
TASA DE DESEMPLEO (UNEMP)
Ao

CPR

GNP

OCCUP

PGNP

ROOMS

RRATE

UNEMP

1990

7.72

992.70

68.50

91.45

179364

15.55

4.90

1991

5.11

1077.60

67.40

96.01

200464

16.50

5.90

1992

4.69

1185.90

70.70

100.00

221113

16.87

5.60

1993

8.15

1326.40

70.60

105.69

246913

17.63

4.90

1994

9.87

1434.20

68.30

114.92

267032

18.38

5.60

1995

6.33

1549.20

65.40

125.56

274969

20.86

8.50

1996

5.35

1718.00

68.40

132.11

278064

22.17

7.70

1997

5.60

1918.00

71.20

139.83

278957

24.56

7.00

1998

7.99

2156.10

74.30

150.05

286529

27.81

6.00

1999

10.91

2413.90

73.80

162.77

296251

32.65

5.80

2000

12.29

2627.40

71.50
177.45
303578
Fuente: Hall et al. (1990)

36.80

7.10

158

TABLA 7
DATOS HIPOTETICOS:
Y DEPENDE LINEALMENTE DE X1 Y X2.
LOS INSTRUMENTOS SON Z2 Y Z3
Z2

Z3

X1

X2

1.1

5.0

30.4

34.8

10

1.5

4.7

29.8

35.6

12

1.7

4.6

29.1

34.1

15

1.8

4.4

29.5

33.2

13

2.0

4.2

29.8

33.8

12

2.3

4.0

29.6

32.1

16

2.4

3.7

28.0

32.0

18

2.7

3.6

29.1

32.9

19

3.0

3.5

28.3

31.9

17

3.1

3.2

26.7

33.7

18

3.4

3.0

27.3

31.9

20

3.6

2.9

27.4

31.0

19

3.9

2.6

27.0

32.3

21

4.0

2.5

26.6

30.3

22

4.5

2.2
26.3
32.4
Fuente: Judge et al. Pg. 589.

23

159

TABLA 8
UN MODELO DE PRODUCCIN Y DE OFERTA DE DINERO EN EEUU
(MILES DE MILLONES DE DLARES)
Ao

PIB

OFMONET

INVERS

GASTO

1970

1010.7

628.1

150.3

208.5

1971

1097.2

717.2

175.5

224.3

1972

1207.0

805.2

205.6

249.3

1973

1349.6

861.0

243.1

270.3

1974

1458.6

908.6

245.8

305.6

1975

1585.9

1023.3

226.0

364.2

1976

1768.4

1163.7

286.4

392.7

1977

1974.1

1286.6

358.3

426.4

1978

2232.7

1388.7

434.0

469.3

1979

2488.6

1496.7

480.2

520.3

1980

2708.0

1629.5

467.6

613.1

1981

3030.6

1792.9

558.0

697.8

1982

3149.6

1951.9

503.4

770.9

1983

3405.0

2186.1

546.7

840.0

1984

3777.2

2374.3

718.9

892.7

1985

4038.7

2569.4

714.5

969.9

1986

4268.6

2811.1

717.6

1028.2

1987

4539.9

2910.8

749.3

1065.6

1988

4900.0

3071.1

793.6

1109.0

1989

5250.8

3227.3

832.3

1181.6

1990

5522.2

3339.0

799.5

1273.6

1991

5677.5
3439.8
721.1
Fuente: Gujarati Pg. 675

1332.7

160

TABLA 9
INFORMACIN DE 4 COSTOS Y PRODUCCION
DE 4 EMPRESAS DURANTE 10 MESES
Empresa Tiempo
Costo Producto
1
1
43.72
38.46
1
2
45.86
35.32
1
3
4.74
3.78
1
4
40.58
35.34
1
5
25.86
20.83
1
6
36.05
36.72
1
7
50.94
41.67
1
8
42.48
30.71
1
9
25.60
23.70
1
10
49.81
39.53
2
1
51.03
32.52
2
2
27.75
18.71
2
3
35.72
27.01
2
4
35.85
18.66
2
5
43.28
25.58
2
6
48.52
39.19
2
7
64.18
47.70
2
8
38.34
27.01
2
9
45.39
33.57
2
10
43.69
27.32
3
1
43.90
32.86
3
2
23.77
18.52
3
3
28.60
22.93
3
4
27.71
25.02
3
5
40.38
35.13
3
6
36.43
27.29
3
7
19.31
16.99
3
8
16.55
12.56
3
9
30.97
26.76
3
10
46.60
41.42
4
1
64.29
41.86
4
2
42.16
28.33
4
3
61.99
34.21
4
4
34.26
15.69
4
5
47.67
29.70
4
6
45.14
23.03
4
7
35.31
14.80
4
8
35.43
21.53
4
9
54.33
32.86
4
10
59.23
42.25
Fuente: Judge Pg. 477

161

TABLA 10
INFORMACIN SIMULADA DE Y(X1,X2)
OBS

X1

X2

3.284

0.286

0.645

3.149

0.973

0.585

2.877

0.384

0.310

-0.467

0.276

0.058

1.211

0.973

0.455

1.389

0.543

0.779

1.145

0.957

0.259

2.321

0.948

0.202

0.998

0.543

0.028

10

0.379

0.797

0.099

11

1.106

0.936

0.142

12

0.428

0.889

0.296

13

0.011

0.006

0.175

14

1.179

0.828

0.180

15

1.858

0.399

0.842

16

0.388

0.617

0.039

17

0.651

0.939

0.103

18

0.593

0.784

0.620

19

0.046

0.072

0.158

20

1.152
0.889
0.704
Fuente: Judge et al. Pg. 500

162

TABLA 11
INFORMACIN SIMULADA DE Y(X1,X2)
OBS

X1

X2

42.08376

14.53

16.74

41.48572

15.3

16.81

39.05569

15.92

19.5

45.08922

17.41

22.12

51.66982

18.37

22.34

51.18388

18.83

17.41

54.77771

18.84

20.24

60.33432

19.71

20.37

49.75518

20.01

12.71

10

55.45921

20.26

22.98

11

52.46684

20.77

19.33

12

50.67572

21.17

17.04

13

51.64282

21.34

16.74

14

56.18829

22.91

19.81

15

66.21643

22.96

31.92

16

63.22733

23.69

26.31

17

68.96477

24.82

25.93

18

64.25953

25.54

21.96

19

63.75415

25.63

24.05

20

69.68355

28.73

25.66

163

TABLA 12
INFORMACIN DE 3 ECUACIONES DE DEMANDA EN 30 PERIODOS:
CANTIDAD DEMANDADA (Q), PRECIO (P) E INGRESO (Y)
OBS

P1

P2

P3

Q1

Q2

Q3

10.763

4.474

6.629

487.648

11.632

13.194

45.770

13.033

10.836

13.774

364.877

12.029

2.181

13.393

9.244

5.856

4.063

541.037

8.916

5.586

104.819

4.605

14.010

3.868

760.343

33.908

5.231

137.269

13.045

11.417

14.922

421.746

4.561

10.930

15.914

7.706

8.755

14.318

578.214

17.594

11.854

23.667

7.405

7.317

4.794

561.734

18.842

17.045

62.057

7.519

6.360

3.768

301.470

11.637

2.682

52.262

8.764

4.188

8.089

379.636

7.645

13.008

31.916

10

13.511

1.996

2.708

478.855

7.881

19.623

123.026

11

4.943

7.268

12.901

433.741

9.614

6.534

26.255

12

8.360

5.839

11.115

525.702

9.067

9.397

35.540

13

5.721

5.160

11.220

513.067

14.070

13.188

32.487

14

7.225

9.145

5.810

408.666

14.474

3.340

45.838

15

6.617

5.034

5.516

192.061

3.041

4.716

26.867

16

14.219

5.926

3.707

462.621

14.096

17.141

43.325

17

6.769

8.187

10.125

312.659

4.118

4.695

24.330

18

7.769

7.193

2.471

400.848

10.489

7.639

107.017

19

9.804

13.315

8.976

392.215

6.231

9.089

23.407

20

11.063

6.874

12.883

377.724

6.458

10.346

18.254

21

6.535

15.533

4.115

343.552

8.736

3.901

54.895

22

11.063

4.477

4.962

301.599

5.158

4.350

45.360

23

4.016

9.231

6.294

294.112

16.618

7.371

25.318

24

4.759

5.907

8.298

365.032

11.342

6.507

32.852

25

5.483

7.077

9.638

256.125

2.903

3.770

22.154

26

7.890

9.942

7.122

184.798

3.138

1.360

20.575

27

8.460

7.043

4.157

359.084

15.315

6.497

44.205

28

6.195

4.142

10.040

629.378

22.240

10.963

44.443

29

6.743

3.369

15.459

306.527

10.012

10.140

13.251

30

11.977

4.806
6.172
347.488
3.982
Fuente: Judge et al. Pg. 460

8.637

41.845

164

TABLA 13
INFORMACION DEL MODELO DE KLEIN
AO
1920
1921
1922
1923
1924
1925
1926
1927
1928
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941

NUM CONSUMPTION PROFIT PRIVWAGE INVEST KLAGGED PRODUCTION GOVTWAGE

1
39.8
12.7
28.8
2.7
180.1
44.9
2.2
1
41.9
12.4
25.5
-0.2
182.8
45.6
2.7
1
45.0
16.9
29.3
1.9
182.6
50.1
2.9
1
49.2
18.4
34.1
5.2
184.5
57.2
2.9
1
50.6
19.4
33.9
3.0
189.7
57.1
3.1
1
52.6
20.1
35.4
5.1
192.7
61.0
3.2
1
55.1
19.6
37.4
5.6
197.8
64.0
3.3
1
56.2
19.8
37.9
4.2
203.4
64.4
3.6
1
57.3
21.1
39.2
3.0
207.6
64.5
3.7
1
57.8
21.7
41.3
5.1
210.6
67.0
4.0
1
55.0
15.6
37.9
1.0
215.7
61.2
4.2
1
50.9
11.4
34.5
-3.4
216.7
53.4
4.8
1
45.6
7.0
29.0
-6.2
213.3
44.3
5.3
1
46.5
11.2
28.5
-5.1
207.1
45.1
5.6
1
48.7
12.3
30.6
-3.0
202.0
49.7
6.0
1
51.3
14.0
33.2
-1.3
199.0
54.4
6.1
1
57.7
17.6
36.8
2.1
197.7
62.7
7.4
1
58.7
17.3
41.0
2.0
199.8
65.0
6.7
1
57.5
15.3
38.2
-1.9
201.8
60.9
7.7
1
61.6
19.0
41.6
1.3
199.9
69.5
7.8
1
65.0
21.1
45.0
3.3
201.2
75.7
8.0
1
69.7
23.5
53.3
4.9
204.5
88.4
8.5
Fuente: Disponible en el archivo KLEIN.DAT de RATS

GOVTEXP TAXES
2.4
3.4
3.9
7.7
3.2
3.9
2.8
4.7
3.5
3.8
3.3
5.5
3.3
7.0
4.0
6.7
4.2
4.2
4.1
4.0
5.2
7.7
5.9
7.5
4.9
8.3
3.7
5.4
4.0
6.8
4.4
7.2
2.9
8.3
4.3
6.7
5.3
7.4
6.6
8.9
7.4
9.6
13.8
11.6

165

TABLA 14
INDICE GENERAL DE PRECIOS ACCIONARIOS (IGPA) DE LA BOLSA DE COMERCIO DE SANTIAGO
DATOS MENSUALES
FECHA

IGPA

1990.01

802.40

1993.01 2939.67

1996.01 5745.79

1999.01 3474.93

1990.02

829.68

1993.02 3127.27

1996.02 5625.93

1999.02 3739.60

1990.03

931.37

1993.03 2948.19

1996.03 5451.65

1999.03 3970.71

1990.04

901.06

1993.04 2787.76

1996.04 5378.07

1999.04 4412.83

1990.05

861.06

1993.05 2675.69

1996.05 5517.94

1999.05 4565.42

1990.06

891.60

1993.06 2826.93

1996.06 5453.43

1999.06 4648.06

1990.07

857.86

1993.07 2949.26

1996.07 5628.65

1999.07 4871.82

1990.08

888.76

1993.08 3040.29

1996.08 5407.54

1999.08 4657.97

1990.09

896.74

1993.09 3087.02

1996.09 5382.00

1999.09 4739.64

1990.10

858.42

1993.10 3208.54

1996.10 5488.50

1999.10 4548.55

1990.11

936.18

1993.11 3285.49

1996.11 5232.81

1999.11 4767.62

1990.12 1121.75

1993.12 3615.50

1996.12 4943.34

1999.12 5057.12

1991.01 1195.34

1994.01 4311.05

1997.01 5172.68

2000.01 5420.91

1991.02 1435.84

1994.02 4702.80

1997.02 5331.90

2000.02 5429.44

1991.03 1599.07

1994.03 4307.29

1997.03 5307.08

2000.03 5214.47

1991.04 1714.48

1994.04 4102.54

1997.04 5344.03

2000.04 5037.26

1991.05 1697.86

1994.05 4245.29

1997.05 5415.49

2000.05 4995.42

1991.06 1866.50

1994.06 4499.48

1997.06 5739.46

2000.06 4928.17

1991.07 2107.86

1994.07 4318.90

1997.07 5750.77

2000.07 4882.20

1991.08 2320.96

1994.08 4547.97

1997.08 5620.24

2000.08 4950.68

1991.09 2662.28

1994.09 4906.31

1997.09 5517.77

2000.09 4912.98

1991.10 2830.03

1994.10 5471.56

1997.10 5239.03

2000.10 4706.87

1991.11 2489.71

1994.11 5651.67

1997.11 4976.63

2000.11 4858.08

1991.12 2438.45

1994.12 5504.47

1997.12 4810.56

2000.12 4868.71

1992.01 2426.97

1995.01 5409.15

1998.01 4452.31

2001.01 5021.37

1992.02 2546.94

1995.02 5350.15

1998.02 4368.63

2001.02 4973.26

1992.03 2867.28

1995.03 5137.97

1998.03 4756.54

2001.03 4945.14

1992.04 2981.53

1995.04 5363.88

1998.04 4699.52

1992.05 3008.54

1995.05 5843.19

1998.05 4431.90

1992.06 2981.96

1995.06 6069.80

1998.06 4161.43

1992.07 3002.73

1995.07 6234.64

1998.07 4084.03

1992.08 2922.06

1995.08 6034.46

1998.08 3764.43

1992.09 2814.80

1995.09 5882.67

1998.09 3170.57

1992.10 2750.54

1995.10 5902.37

1998.10 3224.28

1992.11 2751.26

1995.11 5631.62

1998.11 3774.36

1992.12 2687.12

FECHA

IGPA

FECHA

IGPA

FECHA

IGPA

1995.12 5700.85
1998.12 3653.32
Fuente: Bolsa de Comercio de Santiago

166

TABLA 15
INDICE DE PRECIOS AL CONSUMIDOR DE LOS ESTADOS UNIDOS (WPI)
(TRIMESTRAL)
TRIM

WPI

TRIM

WPI

TRIM

WPI

TRIM

WPI

1960.1

30.7

1969.1

33.9

1978.1

65.4

1987.1

97.8

1960.2

30.8

1969.2

34.4

1978.2

67.4

1987.2

99.4

1960.3

30.7

1969.3

34.7

1978.3

68.4

1987.3

100.5

1960.4

30.7

1969.4

35.0

1978.4

70.0

1987.4

101.0

1961.1

30.8

1970.1

35.5

1979.1

72.5

1988.1

101.6

1961.2

30.5

1970.2

35.7

1979.2

75.1

1988.2

103.2

1961.3

30.5

1970.3

35.9

1979.3

77.4

1988.3

104.7

1961.4

30.6

1970.4

35.9

1979.4

80.2

1988.4

105.2

1962.1

30.7

1971.1

36.5

1980.1

83.9

1989.1

107.5

1962.2

30.6

1971.2

36.9

1980.2

85.6

1989.2

109.4

1962.3

30.7

1971.3

37.2

1980.3

88.4

1989.3

109.0

1962.4

30.7

1971.4

37.2

1980.4

90.4

1989.4

109.4

1963.1

30.6

1972.1

37.9

1981.1

93.1

1990.1

111.0

1963.2

30.5

1972.2

38.3

1981.2

95.2

1990.2

110.8

1963.3

30.6

1972.3

38.8

1981.3

95.9

1990.3

112.8

1963.4

30.7

1972.4

39.2

1981.4

95.8

1990.4

116.2

1964.1

30.7

1973.1

41.1

1982.1

96.6

1991.1

113.8

1964.2

30.6

1973.2

43.1

1982.2

96.7

1991.2

112.7

1964.3

30.7

1973.3

44.9

1982.3

97.1

1991.3

112.5

1964.4

30.7

1973.4

45.3

1982.4

97.2

1991.4

112.7

1965.1

30.9

1974.1

48.3

1983.1

97.3

1992.1

112.4

1965.2

31.2

1974.2

50.0

1983.2

97.6

1992.2

113.6

1965.3

31.4

1974.3

53.6

1983.3

98.6

1965.4

31.6

1974.4

55.4

1983.4

99.1

1966.1

32.1

1975.1

55.4

1984.1

100.2

1966.2

32.2

1975.2

56.0

1984.2

100.8

1966.3

32.6

1975.3

57.2

1984.3

100.6

1966.4

32.4

1975.4

57.8

1984.4

100.3

1967.1

32.3

1976.1

58.1

1985.1

100.1

1967.2

32.3

1976.2

59.0

1985.2

100.2

1967.3

32.4

1976.3

59.7

1985.3

99.5

1967.4

32.5

1976.4

60.2

1985.4

100.1

1968.1

32.9

1977.1

61.6

1986.1

98.6

1968.2

33.1

1977.2

63.0

1986.2

96.8

1968.3

33.3

1977.3

63.1

1986.3

96.3

1968.4

33.4

1977.4
63.9
1986.4
96.7
Fuente: Enders (1996), Pg. 47

167

TABLA 16
CAMBIOS TRIMESTRALES DESESTACIONALIZADOS
EN EL PRODUCTO PER CPITA (Y1)
Y EN EL INGRESO DISPONIBLE (Y2) DE LOS EEUU
TRIM

Y1

Y2

TRIM

Y1

Y2

1951.2

-61

42

1960.4

-9

-23

1951.3

-1

1961.1

-5

13

1951.4

-1

-11

1961.2

23

28

1952.1

-4

-12

1961.3

-3

17

1952.2

30

16

1961.4

37

38

1952.3

-1

41

1962.1

13

14

1952.4

45

14

1962.2

21

16

1953.1

17

17

1962.3

10

1953.2

26

1962.4

23

1953.3

-17

-20

1963.1

15

1953.4

-16

-10

1963.2

15

17

1954.1

-4

-11

1963.3

24

19

1954.2

-23

1963.4

30

1954.3

23

29

1964.1

39

47

1954.4

31

36

1964.2

38

75

1955.1

31

1964.3

35

27

1955.2

33

43

1964.4

-3

23

1955.3

14

31

1965.1

46

22

1955.4

26

29

1965.2

17

32

1956.1

-7

1965.3

35

76

1956.2

-6

1965.4

65

47

1956.3

-4

1966.1

29

17

1956.4

13

20

1966.2

-2

1957.1

-10

1966.3

22

27

1957.2

-6

1966.4

21

1957.3

1967.1

15

38

1957.4

-6

-20

1967.2

31

21

1958.1

-37

-35

1967.3

16

1958.2

12

1967.4

17

1958.3

25

45

1968.1

54

36

1958.4

16

25

1968.2

30

43

1959.1

39

1968.3

54

-7

1959.2

23

32

1968.4

1959.3

-30

1969.1

21

-2

1959.4

-5

10

1969.2

19

1960.1

1969.3

47

24

1969.4

16

10

1960.2
1960.3

-19
-12
Fuente: Judge et al. Pg. 760

168