Econom 3

Introduccin a la Econometra
X. EFECTO S OBRE LOS ES TIMADORES DE LA VIOLACIN DE LAS HIPTES IS O S UPUES TOS DEL MODELO DE REGRES IN LINEAL: MINIMOS CUADRADOS ORDINARIOS . Como se recordar, este modelo se usa para obtener estimadores contenidos en la ecuacin de regresin, considerando que se cumplen ciertos supuestos que sustentan sus propiedades de ser: a).insesgados; b).- eficientes, c).- suficientes y d).- consistentes. Dicho modelo se apoya, entre otros, en las siguientes hiptesis o supuestos: 1.- la varianza de las Ui es constante y por ello se dice que hay homocedasticidad, que viene del griego: homos ( igual ) y cedastitis ( dispersin ) entre los miembros de la serie estadstica, razn por la cual tienen la varianza mnima, que a su vez corresponde a los estimadores que hemos dado en llamar eficientes. 2.- No existe autocorrelacin entre las perturbaciones, i , y 3.- No existe multicolinialidad entre las variables explicativas de la ecuacin de regresin. 4.- El modelo de regresin esta perfectamente especificado, de manera que no existe ningn Sesgo de especificacin (Gujarati,1991:210). Cuando se cumplen estos y otros supuestos ( en mi opinin menos importantes ) se tiene una buena inferencia estadstica y se est en condiciones de hacer una adecuada estimacin y mejores pruebas de hiptesis. Pero qu sucede cuando se violan estos supuestos ? definitivamente se pierde calidad en los estimadores y disminuye el rigor tcnico con que se maneja la informacin ya que dejan de ser insesgados, eficientes, consistentes y suficientes, afectando la estimacin que se hace con la ecuacin de regresin y orillando al investigador a la toma equivocada de decisiones porque las t`s y las Fs cambian de valor, en la forma que se indica a continuacin: X.1 HETEROCEDAS TICIDAD Uno de los principales anlisis que se realizan sobre la violacin de los supuestos en que se basa el mtodo de M CO para determinar el valor y por consiguiente la calidad de los estimadores, se refiere a la verificacin, Ho, de si las perturbaciones i de la funcin de regresin poblacional, son o no homocedsticas, ergo, que todas tienen la misma varianza; en otras palabras, es conveniente sealar que hasta el momento hemos establecido el supuesto de homocedasticidad, es decir, que las distorsiones o errores i de la ecuacin de regresin tienen la misma varianza. Ahora bien, cuando dichos errores no observan una misma varianza se acepta la Ha y se dice que hay heterocedasticidad
Pro fesor Genaro S nchez Barajas
129
o que las i son heterocedsticas. En otras palabras los i
no tienen una varianza constante, que es
lo mismo que decir que la varianza del error no es constante para todas las observaciones de la serie histrica a partir de la que se determin la ecuacin de regresin. Qu efecto o consecuencia trae la heterocedasticidad? $ de mnimos cuadrados son insesgados pero no consistentes ni eficientes, $ y b Las estimaciones a es decir, no poseen varianza mnima, algunos datos tienen una varianza ms grande; adems el valor del estimador no tiende al del parmetro a medida que crece el tamao de la muestra, se dice que es inconsistente. $ ) no son insesgadas. Al ser sesgados los estimadores de las $ ), var ( b Las varianzas estimadas var ( a varianzas, invalidan las pruebas de significacin sobre las hiptesis que se establezcan. Cmo se detecta? Seala Gujarati (1991:275) que no es fcil detectarla, que no existen reglas fijas y seguras para detectarlo, sino slo unas cuantas reglas generales.por ello se han creado algunos mtodos informales y de aproximacin para detectar la presencia de heterocedsticidad, reglas a las que llama algunos remedios ( o sea que ni siquiera califica o eleva al rango de mtodos o tcnicas), los cuales generalmente examinan los residuos obtenidos de la aplicacin de M CO para identificar en ellos patrones sistemticos. Lo anterior en palabras de Carrascal ( 2001:227): no existen reglas fijas para saber si en un modelo existe heterocedasticidad; pues en todos los contrastes estadsticos se plantea la hiptesis nula de homocedasticidad. Adems, dado que las perturbaciones aleatorias no son observables, las formas de deteccin se basan en los errores de la estimacin por mnimos cuadrados ordinarios. En concreto, la mayor parte de los contrastes van a utilizar el cuadrado de dichos errores como indicativo de la varianza de cada perturbacin o el valor absoluto de dicho error para aproximar la desviacin tpica. Derivado de lo anterior podemos decir que en general se pueden realizar cualesquiera de las siguientes pruebas: 1. M todo grfico 2. Ramsey 3. Glejser 4. Breusch y Pagan 5. White 6. Goldfeld y Quant 7. Razn de verosimilitades
130
Al respecto sobre el mtodo grfico, G.S M addala en su obra Introduccin a la Econometra; Segunda Edicin de la Editorial Prentice Hall, captulo 5, hoja 229, pone un ejemplo sencillo pero ilustrativo a travs del cual se identifica la heterocedastidad con el mtodo grfico. El autor hace funcin el consumo (y) del ingreso (x). Para ello presenta la informacin de 20 familias, misma que aparece en la siguiente tabla, cuyo ingreso y consumo se expresa en miles de dlares.
FAMILIA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Y 19.9 31.2 31.8 12.1 40.7 6.1 38.6 25.5 10.3 38.8 8.0 33.1 33.5 13.1 14.8 21.6 29.3 25.0 17.9 19.8
Yc 20.9019921708 29.8952390494 33.7623352071 11.7288803547 38.8884859279 6.42286469639 41.0468651788 24.3194259847 10.1100959166 36.9999040834 8.13158160331 31.8737533626 35.0213897701 13.5275297304 15.5959765125 22.520776609 27.9167247361 26.297940298 17.2147609506 18.9234778576
X 22.3 32.3 36.6 12.1 42.3 6.2 44.7 26.1 10.3 40.2 8.1 34.5 38.0 14.1 16.4 24.1 30.1 28.3 18.2 20.1
Y-Yc =Ui RES IDUO -1.00 1.30 -1.96 0.37 1.81 -0.32 -2.45 1.18 0.19 1.80 -0.13 1.23 -1.52 -0.43 -0.80 -0.92 1.38 -1.30 0.69 0.88
Con estos datos y trabajando con el Programa Eviews, se procede a crear la base de datos: vamos a File, luego a New Workfile periodicidad: ponemos de inicio (start: 1) y de final (end:12) ok abre nuevamente el workfile, hacemos doble clic y se abre el archivo en el que registramos los datos de Y e X, en name le ponemos el nombre del grupo01. Tambin podemos ir a Quick Empty Group (edit series) y registramos los datos de Y e X, luego guardamos con Save. Ahora ya estamos listos para
131
hacer anlisis economtrico. Fijmos el cursor en Quick, aparece un cuadro o caja de dilogo, ah se pulsa Estimate equation, se especifica: y_c_x, oprimimos la palabra ok y se obtiene la siguiente ecuacin de regresin: Y = 0.847 + 0.899X R2 = 0.986 (0.703) (0.0253) RSS = 31.074 Para calcular Ui: en el cuadro de la ecuacin, est la palabra view, ah pulsamos el cursor y aparece, entre otros, actual fitted residuals, pedimos actual fitted table, oprimimos el lado izquierdo del ratn y parecen los valores originales de Y, los de cada una de las Ys calculadas con la ecuacin de regresin anterior y Ui= Yi-Yc donde i=1,2,3,.18,19,20
Con esos datos procedemos a identificar la heterocedasticidad:
Dependent Variable: Y Method: Least Squares Date: 11/22/04 Time: 19:46 Sample: 1901 1920 Included observations: 20 Variable C X R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.847052 0.899325 0.985944 0.985164 1.313895 31.07377 -32.78509 2.582686 Std. Error 0.703355 0.025309 t-Statistic 1.204302 35.53360 Prob. 0.2441 0.0000 23.55500 10.78691 3.478509 3.578082 1262.637 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
a). Mtodo Grfico Estando en la pantalla de este archivo, vamos a view, ah pedimos actual fitted residuals, luego, actual fitted graph, decimos ok, y aparece la grfica de residuos siguiente
132
50 40 30 20 2 1 0 -1 -2 -3 02 04 06 Residual 08 10 12 Actual 14 16 Fitted 18 20 10 0
Ahora vamos a Quick Estimate Equation; U- C X, ok y sale la ecuacin. Ahora vamos a View Actual, Fitted, Residual, Actual Fitted Table y sale:
obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Actual 19.9 31.2 31.8 12.1 40.7 6.1 38.6 25.5 10.3 38.8 8 33.1 33.5 13.1 14.8 21.6 29.3
Fitted 20.9019921708 29.8952390494 33.7623352071 11.7288803547 38.8884859279 6.42286469639 41.0468651788 24.3194259847 10.1100959166 36.9999040834 8.13158160331 31.8737533626 35.0213897701 13.5275297304 15.5959765125 22.520776609 27.9167247361
Residual -1.00199217083 1.30476095063 -1.96233520714 0.371119645276 1.8115140721 -0.322864696388 -2.44686517875 1.18057401532 0.189904083412 1.80009591659 -0.13158160331 1.22624663735 -1.52138977013 -0.427529730432 -0.795976512495 -0.920776608968 1.38327526391
Residual | .* | | . | | * . | | . |* | . | | . *| |* . | | . | | . |* | . | | . *| | . | | *. | | . *| | .* | | .* | | . |
Plot . * . . . * . . * . . * . * . . . . .*
| | | | | | | | | | | | | | | | |
133
18 19 20
25 17.9 19.8
26.297940298 17.2147609506 18.9234778576
-1.29794029795 0.685239049368 0.876522142446
| | |
* . .
| . | * . | *.
| | |
Lo anterior ahora visto en trminos de dispersin de las Ui con respecto a Xs: Continuando con el anlisis grfico ahora s representamos la relacin Xi con Ui vamos a Quick ah pedimos Graph, aparece la pantalla Series List con Group01, lo borramos y en su lugar ponemos X U, damos ok y aparece Line Graph: seleccionamos Scatter Diagram, ok aparece la siguiente grfica.
2 1 0 U -1 -2 -3 0 10 20 X 30 40 50
que es la figura tpica que resulta al graficar los valores de los residuos versus los valores de X, ingreso, obtenindose el diagrama que indica o permite identificar que hay un problema de heterocedastidad, puesto que hay una alta dispersin de Ui a medida que aumenta el valor de X, mismo que debe resolverse para recuperar la bondad estadstica de los estimadores. Conviene reiterar, como se estableci antes, que los datos entre parntesis que acompaan la ecuacin de regresin, corresponden a los errores estndar de los coeficientes. As, a partir de la ecuacin de regresin se calcularon los residuos en la forma ya familiar en esta etapa del conocimiento economtrico. Su anlisis revel que dichos residuos ( en valores absolutos ) eran ms grandes a medida que creca el valor de X, ingreso, y pequeos a medida que X tomaba valores pequeos. Esta evidencia le permiti sealar a M addala que las varianzas de los errores no son las mismas, ya no constantes, y por consiguiente hay heterocedasticidad, de tal manera que los estimadores y b son eficientes (pero si insesgados) y cuestionan seriamente los resultados a que se llega cuando se hacen pruebas de significacin sobre las hiptesis en materia de regresin y correlacin.
134
b).- Con la prueba F, estableciendo la Ho: E(Ui2)= 2 constante, que significa que hay homocedasticidad, misma que contrasta con Ha: E(Ui2) de 2 constante, que indica que hay heterocedasticidad y donde i= 1,2,19,20. Cmo se corrige o resuelve la heterocedastidad? Con: La aplicacin de la tcnica de mnimos cuadrados ponderados; La deflactacin de los datos mediante alguna medida de tamao; La transformacin de los datos en la forma funcional denominada logartmica. X.1.1 Identificacin numrica de la heterocedasticidad
Tomando como referencia los datos anteriores, se corren las regresiones y se establece la hiptesis nula de homocedasticidad y se prueba que los coeficientes son o no significativos.
X.1.1.1
La prueba de Ramsey
$t2 , y $t3 ... y la prueba de significacin de los coeficientes. As, dado Se hace la regresin de u t sobre y $ para identificar la que existe una sola variable explicativa x, se puede utilizar en lugar de y 2 3 n heterocedasticidad. Se hace la regresin de u i sobre x i , x i ... x i . Los resultados fueron: $ = 0.379 + 0.236(10 2 x 2 0549 u . )(10 4 x 3 ) R 2 = 0.034
Como ninguno de los coeficientes tuvo una relacin t>1, se toma la decisin de aceptar la hiptesis nula, es decir, que no hay heterocedasticidad, adems que al ser R2 pequea indica que no es fuerte la relacin entre X, i, i.e,, no hay heteroscedasticidad.. X.1.1.2 La prueba de White
$t sobre todas las variables explicativas, sus cuadrados y sus productos Se hace la regresin de u $t2 sobre cruzados. As cuando 2 variables explicativas x 1 , x 2 , White establece la regresin u 2 x 1 , x 2 , x1 , x2 2 , x1 x 2 . Los valores que se obtuvieron considerando una sola variable explicativa, fueron: $ 2 = 1.370 + 0116 u . x (0.390) (0.0014) $ = 0.493 - 0.071x + 0.0037x2 u R 2 = 0.7911 R 2 = 0878 .
135
(0.620) (0.055) (0.0011) En los dos casos R2 es grande y por consiguiente se rechaza la hiptesis nula y se concluye diciendo que hay heterocedasticidad. X.1.1.3. La prueba de Goldfeld y Quandt
Cuando las muestras no son grandes, se recomienda utilizar esta prueba. En este caso los errores obtenidos en el primer ejercicio, se clasifican en dos grupos; el primero comprende los 10 valores pequeos de Ui obtenidos con respecto a x; el segundo, los valores ms grandes de Ui. Enseguida se corre la regresin para cada uno de los dos grupos y, con estos datos, se hace la prueba F, mediante la cual se contrasta la hiptesis nula de la igualdad de las varianzas del error. Para hacer ms firme la toma de decisiones para aceptar o rechazar la hiptesis de homocedasticidad, Salvatore ( 1993:152) y Gujarati ( 1991:266) recomiendan sacar o quitar algunos datos centrales de la distribucin con objeto de acentuar la diferencia entre el grupo de varianza pequea y el grupo de varianza grande. Sin embargo, en este caso no omitiremos ningn dato porque como dice Gujarati mismo: la habilidad de la prueba de Goldfeld-Quant para llevar a cabo lo anterior en forma exitosa depende de la manera como se escoja c, que es el nmero de datos a omitir. As, tenemos tenemos que obtener dos grupos de datos: el primero, con los residuos pequeos , el segundo, con los residuos grandes; debemos clasificar esos residuos, para ello usando Eviews: Process Sort Series para Y e X y sus valores aparecen en orden ascendente , ah luego, sample, doble clic, 1 10 Estimate Equation name: Group01; igual hacemos para Group02, donde sample: 11 20, Primer Grupo Nmero de Y1 Valor de Residuo ui observacin X1 6 6.1 6.2 -0.32 11 8.0 8.1 -0.13 9 10.3 10.3 0.19 4 12.1 12.1 0.37 14 13.1 14.1 -0.43 15 14.8 16.4 -0.80 19 17.9 18.2 0.69 20 19.8 20.1 0.88 1 19.9 22.3 -1.00 16 21.6 24.1 -0.92 Se estiman estas dos regresiones Y1 y Y2 S egundoGrupo Nmero de Y2 Valor de observacin X2 8 25.5 26.1 18 25.0 28.3 17 29.3 30.1 2 31.2 32.3 12 33.1 34.5 3 31.8 36.6 13 33.5 38.0 10 38.8 40.2 5 40.7 42.3 7 38.6 44.7
Residuo
ui
1.18 -1.30 1.38 1.30 1.23 -1.96 -1.52 1.80 1.81 -2.45
136
1 = 1.0533 + 0.876x R2 = 0.985 2 = 3.279 + 0.835x R2 = 0.904 ; Y Y $ 2 = 3154 (0.616) (0.038) =0.689519 (3.443) (0.096) =1.775825 . 2 = 0.475 El desglose estadstico de estas dos regresiones es, empezando con Y1 , X1 :
Dependent Variable: Y1 Method: Least Squares Date: 11/19/04 Time: 13:37 Sample(adjusted): 1 10 Included observations: 10 after adjusting endpoints Variable C X1 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 1.053316 0.876016 0.985217 0.983369 0.689519
3.803487
Std. Error 0.616164 0.037939
t-Statistic 1.709474 23.09013
Prob. 0.1257 0.0000 14.36000 5.346692 2.271210 2.331727 533.1539 0.000000
-9.356051 1.745354
Significado S.E. of Regressin= YX que antes usamos; es distinto de Std. Error que suele ser menor porque corresponde a cada parmetro muestral. De igual manera para Y2, X2
Dependent Variable: Y2 Method: Least Squares Date: 11/19/04 Time: 21:27 Sample(adjusted): 1 10 Included observations: 10 after adjusting endpoints Variable C X2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 3.278963 0.834637 0.903908 0.891897 1.775825
25.22845
Std. Error 3.443383 0.096213
t-Statistic 0.952250 8.674885
Prob. 0.3689 0.0000 32.75000 5.401080 4.163264 4.223781 75.25363 0.000024
-18.81632 2.051248
Con los dos S .E. of regresin calculamos las dos varianzas y F:
137
Se calcula F =
Varianza de residuos grandes Varianza de residuos peque os
3154 . = 6.64 0.475
Para calcular los grados de libertad, gl, de la F torica Salvatore( 1993:152) y Gujarati (1991:266) sealan que los grados de libertad tanto para el numerador como para el denominador se calculan con la frmula: n-d- 2k/2, donde n= nmero de observaciones= 20, d= nmero de observaciones omitidas, en este caso ninguna, luego d=0, k= nmero de parmetros= 2 en cada grupo, luego tanto para el numerador como para el denominador gl= 20-0 -2(2)/2= 20-4/2= 8 gl As, la F terica se obtiene en tablas para = 1% con 8 y 8 grados de libertad, y es F = 6.03 < F = 6.64, por lo que se rechaza la hiptesis de homocedasticidad y se acepta que hay un problema de heterocedasticidad. Grficamente
Zona de rechazo de Ho:
Zona de aceptacin de Ho:
F =6.03
X.1.2
S olucin al problema de heterocedasticidad
X.1.2.1 Transformacin de los datos en logaritmos, usando una forma funcional doble logartmica. En ocasiones se resuelve haciendo la regresin en forma doble logartmica lineal. As usando los 20 datos originales y convirtindolos en logaritmos: usando Eviews vamos a Quick Generate Series enter equation, ponemos lx=log(x); tambin ly=log(Y) y aparece la siguiente tabla:
obs
138
LX
LY
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
3.10458667847 3.47506723023 3.60004824041 2.4932054526 3.74478708605 1.82454929205 3.79997350162 3.26193531433 2.33214389524 3.69386699562 2.09186406168 3.54095932404 3.63758615973 2.64617479738 2.79728133483 3.1822118405 3.40452517175 3.34286180465 2.90142159408 3.00071981507
2.99071973173 3.44041809482 3.45946628979 2.4932054526 3.70622809245 1.80828877118 3.65325227647 3.23867845216 2.33214389524 3.65842024663 2.07944154168 3.49953328238 3.51154543883 2.57261223021 2.69462718077 3.07269331469 3.37758751602 3.21887582487 2.88480071285 2.9856819377
Vamos a Quick: Estmate Equation: LY C LX, ok Se corre la regresin y se obtiene: Log y = 0.0757 + 0.9562 log x R2 =0.9935 (0.0574) (0.0183) RSS = 0.03757
Dependent Variable: LY Method: Least Squares Date: 11/19/04 Time: 22:01 Sample: 1 20 Included observations: 20 Variable C LX R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.075672 0.956186 0.993482 0.993120 0.045689 0.037575 34.39278 2.166013 Std. Error 0.057393 0.018255 t-Statistic 1.318496 52.38022 Prob. 0.2039 0.0000
Mean dependent var 3.033911 S.D. dependent var 0.550836 Akaike info criterion 3.239278 Schwarz criterion 3.139705 F-statistic 2743.688 Prob(F-statistic) 0.000000
139
Para calcular los residuos con Eviews se estima la regresin, en el men de View, seleccionar Actual, Fitted, Residual, despus nos vamos a Actual Fitted, Table:
Observacin: en la grfica de la tabla, ltima columna, no aparecen unidos los puntos, pero si en la pantalla del monitor. Enseguida clasificamos las Ui en funcin de X, en los dos siguientes grupos:
Nmero de observacin 6
Log Y1 calculada 1.8
Log de x1 1.82
Residuo
ui
-0.12
Nmero de observacin 8
Log Y2 calculada 3.24
Log de x2 3.26
Residuo
ui
0.44
140
11 9 4 14 15 19 20 1 16
2.08 2.33 2.49 2.57 2.69 2.88 2.99 2.99 3.07
2.09 2.33 2.49 2.65 2.80 2.90 3.00 3.20 3.18
0.04 0.27 0.34 -0.33 -0.56 0.35 0.41 -0.54 -0.46
18 17 2 12 3 13 10 5 7
3.22 3.38 3.44 3.5 3.46 3.51 3.66 3.7 3.65
3.34 3.40 3.48 3.54 3.60 3.64 3.69 3.74 3.80
-0.53 0.47 0.42 0.38 -0.59 -0.42 0.51 0.50 -0.56
Una vez calculados los residuos de los dos grupos se corren sus dos regresiones y se obtiene, para el primero: Quick, Estimate Equation: LY- C- LX1, ok
Dependent Variable: LY1 Method: Least Squares Date: 11/22/04 Time: 20:33 Sample(adjusted): 1 10 Included observations: 10 after adjusting endpoints Variable C LX1 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.122770 0.935596 0.991247 0.990153 0.041927 0.014063 18.64455 1.786700 Std. Error 0.083001 0.031083 t-Statistic 1.479135 30.09966 Prob. 0.1774 0.0000
Y para el segundo grupo: Quick Estimate Equation: LY2 C- LX2, , ok

Dependent Variable: LY2 Method: Least Squares Date: 11/22/04 Time: 20:58 Sample(adjusted): 1 10 Included observations: 10 after adjusting endpoints Variable C LX2 R-squared Adjusted R-squared S.E. of regression Coefficient 0.320335 0.889170 0.906807 0.895158 0.053754 Std. Error 0.358071 0.100780
t-Statistic 0.894614 8.822901
Prob. 0.3971 0.0000
Mean dependent var 3.476000 S.D. dependent var 0.166012 Akaike info criterion 2.831958
141
Sum squared resid Log likelihood Durbin-Watson stat
0.023116 16.15979 2.189455
Schwarz criterion F-statistic Prob(F-statistic)
2.771441 77.84358 0.000021
Se dice que hay una solucin porque se observa que no hay un aumento significativo en el valor de los residuos ( ui ) a medida que crecen los valores de x, es decir, se reduce la heterocedasticidad en las varianzas del error. X.1.2.2 Aplicacin de F
De las dos regresiones anteriores tenemos: con los clculos de M addala: Grupo 1 log y = 0.122 + 0.936x R2 = 0.991; (0.083) (0.031) =0.041927 2 $ = 0.001596 Grupo 2 log y = 0.320 + 0.889x R2 = 0.907 (0.358) (0.100) =0.053754 $ 2 = 0.002789
0.002789 = 175 . ; Como F = 344 . para = 5% y con = 1% tenemos F torica= 6.03 0.001596 con 8 y 8 grados de libertad. En los dos casos vemos que no se rechaza la hiptesis de homocedasticidad; se dice que desapareci la heterocedasticidad, que los estimadores ahora son insesgados y eficientes y ratifican los motivos por los cuales en el captulo IX se prefiri esta forma funcional. As, F = En resumen, se debe sealar que es conveniente detectar si existe o no heterocedasticidad, ya que de identificarse este problema, ello ocasiona que: a) Los estimadores de mnimos cuadrados sean ineficientes, aun cuando siguen siendo insesgados; es decir, cuando son ineficientes tienen una varianza ms grande. b) Los estimadores de las varianzas son sesgados. Ello nulifica (mejor dicho, altera los resultados de) las pruebas de significacin que se realizan para probar la bondad de los estimadores. c) Se relaja el supuesto de que la varianza del trmino de error ( ui ) es constante.
X.2
AUTOCORRELACION
Si hablamos en trminos de la hiptesis nula, sta se establece diciendo que los trminos de error ( ui ) en el modelo de regresin son independientes, es decir: Ho: r=0, no hay correlacin.
142
Lo contrario, es decir la hiptesis alternativa es el relajamiento de este supuesto (hiptesis nula), es decir Ha: r distinto de cero, donde r es el coeficiente de correlacin entre las i, lo cual indica que dichos trminos de error, son dependientes unos de otros. Lo anterior significa que hay relacin entre ellos, que estn correlacionadas, mismas que vistos en funcin de las SERIES DE TIEM PO, revelan que hay AUTOCORRELACION entre ellas. Ejemplo, si analizamos el ingreso de las personas en varios aos, el ingreso del ao uno influye en el ingreso del ao dos, este en el del ao tres, y as sucesivamente, esto origina una autocorrelacin en el tiempo.
X.2.1 Identificacin de autocorrelacin se hace con la r y la estadstica de Durbin-Watson. a). Aqu como en la heterocedasticidad se usa r, cuando su valor es alto: cercano a ms uno o a menos uno, se dice que hay autocorrelacin. b). Prueba de Durbin y Watson Como el trmino de error ( ut ) de un ao est autocorrelacionado con el del ao inmediato anterior ( ut 1 ), Durbin y Watson elaboraron la estadstica d, que sirve para detectar la autocorrelacin y se determina con la frmula: d=
$ u $ ) (u
2 t t 1
u $
1
2 t
en la que
$ u
se define como el residuo estimado para el perodo o ao t.
Si desarrollamos el cuadrado de la frmula de d, obtenemos d= 2 2 u t + u t 1 2 u t u t 1 u

2 t
Tomando en cuanta que cuando la muestra es grande se observa que
ya que difieren en una observacin, tal que podemos decir 1+1= 2; en otras palabras
$ u
2 t
$ u
2 t 1
son casi iguales ambas
sumatorias son iguales, y si factorizamos tenemos que d= 2( 1- la segunda parte del desarrollo), dividida entre el denominador que ah aparece; luego, si decimos que r representa la autocorrelacin entre ellos, es decir que r representa la segunda y ltima parte de la ecuacin, entonces podemos establecer que la frmula se puede expresar como: d 2( 1 - r )
143
Ahora bien, puesto que sabemos que r oscila entre 1 y +1, con desigualdades podemos decir lo siguiente: -1 r + 1 Derivado de lo anterior, podemos establecer las siguientes igualdades: cuando r = + 1, se dice que d = 0; hay autocorrelacin positiva; cuando r = -1, se dice que d = 4; hay autocorrelacin negativa; y cuando r = 0, se dice que d = 2; no hay autocorrelacin. Por consiguiente cuando d tenga valores cercanos a 0 o 4, diremos que los residuos estn altamente correlacionados. Es importante decir que la distribucin muestral de d depende del valor de las variables explicativas. Durbin y Watson calcularon los valores de los limites superior ( d u ) e inferior ( d L ) para diferentes niveles de significacin de d. Estos valores estn en tablas mediante las cuales se prueban hiptesis nulas: autocorrelacin cero versus las hiptesis alternativas: autocorrelacin positiva de primer orden ( entre ut y ut 1 ); cuando la autocorrelacin es negativa se intercambian d u y d L . Luego si: d < d L , se rechaza la hiptesis nula de no autocorrelacin, hay autocorrelacin, debe corregirse. d > d u , no se rechaza la hiptesis nula de independencia, no se hace nada. d L < d < d u , la prueba no es concluyente, es decir no sabemos si los trminos de error estn autocorrelacionados o son independientes. Lo anterior dicho en palabras de Dominick Salvatore(9): (Econometra Editorial M c Graw Hill, pgina 153). S i d < d L , se acepta la hiptesis de autocorrelacin, Ha: r 0 y se rechaza Ho: r=0 d > d u , se rechaza la hiptesis de autocorrelacin, Ha: r 0 y se acepta Ho: r=0 Para probar la Ho se compara la d calculada con la d en tablas partiendo de que est demostrado que la esperanza matemtica de d, cuando r = 0, est dada por la frmula: E(d) = 2 + 2(k 1) nk
K es igual al nmero de parmetros de regresin estimados (se incluye el trmino constante). Dominick Salvatore(9) dice que k = nmero de variables explicativas + 1 ( trmino constante ), ver Anexo.5 en el anexo de todas las tablas estadsticas, y si n es el tamao de la muestra, vamos a A.5 y 1 encontramos k , que necesitamos para obtener diferentes valores de d. Con estos datos se buscan
144
en la tabla de Durbin Watson los valores d L y d u y se comparan con la d calculada para identificar si hay o no autocorrelacin entre los residuos. Ejemplo del uso de la prueba de Durbin, Watson: G. S. M addala corre la ecuacin logartmica lineal para explicar la produccin (x) en funcin de los insumos de capital K y trabajo (L) en Estados Unidos. (pgina 114 de obra citada) y halla: Log X = -3.938 1.451 log L1 + 0.384 log K1 (0.237) (0.083) (0.048) R2 = 0.9946 ; DW = 0.88 r=0.559= coeficiente de autocorelacin, que enseguida usamos para eliminar la autocorrelacin. Con K1 = k-1 = 3 1= 2 y n = 39 con = 5% se halla en tablas d L = 1.38. Puesto que la d = 0.88 < d L = 1.38, se rechaza la hiptesis nula de no autocorrelacin, en otras palabras se rechaza la hiptesis nula de r = 0 con = 5%. Ello significa que hay autocorrelacin positiva de primer orden entre los residuos de mnimos cuadrados, ergo no son independientes u t y u t1 entre si. La existencia de autocorrelacin tambin se ratifica con el alto valor que toma R2 = 0.9946
X.2.2
Consecuencia de la autocorrelacin
Como indica Dominick Salvatore(9) , la presencia de autocorrelacin es comn en Series de Tiempo y lleva a errores estndar sesgados hacia abajo (y as a pruebas estadsticas e intervalos de confianza incorrectos). Gujarati (1991: 298) por su parte dice que aun cuando los estimadores M CO continuan siendo lineales, insesgados y consistentes, pero dejan de ser eficientes, situacin que provoca las mismas consecuencias que Salvatore seal.
X.2.3
Correccin de autocorrelacin
a) Dominick Salvatore (*) dice que para corregir la autocorrelacin se debe estimar r, por ser el indicador de la autocorrelacin serial. As se determina a partir de d= 2(1-r); despejando obtenemos r=2-d/2, de manera que cuando d=0.88,vemos que r= 20.88/2=1.12/2=0.56, valor a utilizar para reducir o eliminar la autocorelacin. As, segn el valor que tome r ser la reduccin o eliminacin de la autocorrelacin (Gujarati,1991:323). b) El mismo autor Gujarati ( 1991: 330) comenta que Theil y Nagar sugieren que en muestras pequeas r se debe estimar con la frmula:
145
N 2 (1 d / 2) + k 2 r= N 2 k2 En que: N: Nmero total de observaciones d=d de Durbin Watson K= Nmero de coeficientes a estimar Luego, en el ejemplo anterior calculamos r con las dos frmulas y obtenemos el mismo resultado: r = 0.56, 0.88 d = 1 = 1 0.44 = 0.56 , valor igual al mostrado inicialmente por 2 2 M addala. r =1 N 2 (1 d / 2) + k 2 r= = N 2 k2 (39)2 (0.56) + (3)2 1521(0.56) + 9 851 + 9 860 = = = = = 0.5665 (39) 2 32 1521 9 1512 1512
Una vez conocido r se puede corregir la autocorrelacin partiendo del siguiente razonamiento: De acuerdo con Gujarati ( 1991:317) si, denominamos como ecuacin #1, Yt = 1 + 2 X t + t Si #1 se cumple en el periodo t, se cumple tambin en el perodo t-1, por tanto La ecuacin #2: Yt 1 = 1 + 2 X t 1 + t 1 ahora multiplicando la ecuacin #2 por (nuestra r) en ambos lados de la ecuacin, obtenemos la ecuacin #3: Yt 1 = 1 + 2 X t 1 + t 1 . Ahora restando la ecuacin #3 de la (Yt Yt 1 ) = 1 (1 ) + 2 X t 2 X t 1 + ( t t 1 ) = 1 (1 ) + 2 ( X t X t 1 ) + t #1 obtenemos: la ecuacin #4:
* donde se us un esquema autorregresivo de primer orden i = t 1 + t Yt* = 1* + 2 X t* + t ,
de manera que ahora podemos expresar la ecuacin anterior como la siguiente ecuacin #5 * Y1* = 1* + 2 X t* + t donde 1* = 1 (1 ),Yt * = (Yt Yt 1 ) y X t* = ( X t X t 1 ) , que nos da la pauta para los clculos que se muestran a continuacin. Seala Gujarati que para no perder la primera observacin en el proceso de diferenciacin, se utilizan
1 r
1 r
para la primera observacin transformada de Y y X,
respectivamente.
As, en el caso de que
calcular la regresin en forma de diferencia y omitiendo el trmino de la ordenada en el origen. LogX * = log X 0.5665 log X t 1
146
1 , la autocorrelacin puede corregirse volviendo a
LogL* = log L 0.5665 log Lt 1 logY (con asterisco)=logY-0.5665logY del ao anterior logB del presente ao(con asterisco)=logB del presente ao-logB del ao anterior As, tambin: LogK * = log K 0.5665 log K t 1 En seguida se estimar la nueva ecuacin de regresin y es seguro que se obtendr una d con valor distinto a 0.88, que al compararse con du y dL (valores tericos) se aceptar Ho: es decir que ya no hay autocorrelacin. X.2.3.1 Ejemplo numrico para corregir la autocorrelacin a) D. Salvatore. D. Salvatore presenta el nivel de inventarios, Y, y ventas X, los dos en miles de millones de dlares para la industria de manufacturas de los E.E. U.U., del ao 1959 al de 1978. Hace la regresin de Y con X con los siguientes datos:
Ao Y X
1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978
52.9 30.3
53.8 30.9
54.9 30.9
58.2 33.4
60.0 35.1
63.4 37.3
68.2 41.0
78.0 44.9
84.7 46.5
90.6 50.3
98.2 53.5
101.7 52.8
102.7 55.9
108.3 63.0
124.7 73.0
157.9 84.8
158.2 86.6
170.2 98.8
180.0 110.8
198.0 124.7
Obtiene
y = 6.61 + 1.63 x
t
R2 = 0.98 d = 0.69 hecho con Eviews
(1.98) (32.0) (3.33) (0.05) Que en detalle es :
Dependent Variable: Y Method: Least Squares Date: 11/22/04 Time: 21:13 Sample(adjusted): 1959 1978 Included observations: 20 after adjusting endpoints Variable C X R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient
6.608085 1.631438 0.982731
Std. Error
3.329150 0.050975
t-Statistic 1.984917 32.00487
Prob. 0.0626 0.0000 103.2300 46.47964 6.605788 6.705361 1024.312 0.000000
0.981771 6.275390 708.8494 -64.05788

0.696772
147
Dado que con n = 20 y K1 =2-1= 1 y = 5%
= 1.20 tenemos que d = 0.70 <
= 1.20 se
acepta la hiptesis de autocorrelacin. As, para corregir la autocorrelacin, se dice que una estimacin de r esta dada por r= 2-d/2 = 2-0.70/2= 1.30/2=0.65 Con la otra frmula se obtiene r= 0.67 Si usamos r=0.67 para transformar las variables originales y utilizando el dato del ao de 1959 : 52.9 1 ( 0 . 67 )
2 2
39.27
del
mismo
ao
el
valor
de
las
ventas,
30.3 1 (0.67) = 22.49 para la primera observacin transformado de Y y X, respectivamente. Para el resto de los valores transformados de Y e X se calcula de la siguiente manera: Puesto que con r= 0.67 obtenemos r cuadrada= 0.4489, entonces usamos y
1
1 r
para el primer dato de Y, que corresponde a 1959, y para no desecharlo
Y1* = Y1 1 r 2 = 52.9 .5511 = 52.9(74) = 39.27 para el primer trmino de Y Y2* = Y2 rY1 = 53.8 0.67(52.9) = 53.8 35.44 = 18.36 para el segundo y subsecuentes Ys, ver ecuaciones Y3* = Y3 rY2 = 54.9 0.67(53.8) = 18.85 Y4* = Y4 rY3 = 58.2 0.67(54.9) = 21.41 Y5* = Y5 rY4 = 60.0 0.67 (58.2) = 21.01 Y6* = Y6 rY5 = 63.4 0.67( 60.0) = 23.20 Y7* = Y7 rY6 = 68.2 0.67(63.4) = 25.72 Y8* = Y8 rY7 = 78.0 0.67( 68.2) = 32.31 Y9* = Y9 rY8 = 84.7 0.67(78.0) = 32.44
* Y10 = Y10 rY9 = 90.6 0.67(84.7) = 33.85 * Y11 = Y11 rY10 = 98.2 0.67(90.6) = 37.50 * Y12 = Y12 rY11 = 101.7 0.67(98.2) = 35.91 * Y13 = Y13 rY12 = 102.7 0.67(101.7) = 34.56 * Y14 = Y14 rY13 = 108.3 0.67 (102.7) = 39.49 * Y15 = Y15 rY14 = 124.7 0.67(108.3) = 52.14 * Y16 = Y16 rY15 = 157.9 0.67(124.7) = 74.35 * Y17 = Y17 rY16 = 158.2 0.67(157.9) = 52.41 * Y18 = Y18 rY17 = 170.2 0.67(158.2) = 64.21 * Y19 = Y19 rY18 = 180.0 0.67(170.2) = 65.97 * Y20 = Y20 rY19 = 198.0 0.67(180.0) = 77.40
148
Hacemos lo mismo para la transformacin de las Xs con r=0.67 y r cuadrada=0.4489 usamos
1 r para el primer dato de X, que corresponde a 1959, y para no desecharlo
* X1 = X 1 1 r 2 = 30.3 1 0.4489 = 30.3 0.5511 = 30.3(0.74) = 22.49 para el primer trmino de X * X2 = X 2 rX 1 = 30.9 0.67(30.3) = 10.60 ;para el segundo y subsecuentes Xs, seguir ecuaciones * X 3 = X 3 rX 2 = 30.9 0.67(30.9) = 10.20 * X4 = X 4 rX 3 = 33.4 0.67(30.9) = 12.70 * X5 = X 5 rX 4 = 35.1 0.67(33.4) = 12.72 * X6 = X 6 rX 5 = 37.3 0.67 (35.1) = 13.78 * X7 = X 7 rX 6 = 41.0 0.67(37.3) = 16.00 * X8 = X 8 rX 7 = 44.9 0.67( 41.0) = 17.43 * X9 = X 9 rX 8 = 46.5 0.67(44.9) = 16.42 * X 10 = X 10 rX 9 = 50.3 0.67(46.5) = 19.15 * X 11 = X11 rX 10 = 53.5 0.67(50.3) = 19.80 * X 12 = X 12 rX 11 = 52.8 0.67 (53.5) = 16.96 * X 13 = X 13 rX 12 = 55.9 0.67(52.8) = 20.52 * X 14 = X 14 rX 13 = 63.0 0.67(55.9) = 25.55 * X 15 = X 15 rX 14 = 73.0 0.67(63.0) = 30.79 * X 16 = X 16 rX 15 = 84.0 0.67(73.0) = 35.89 * X 17 = X 17 rX16 = 86.6 0.67(84.8) = 29.78 * X 18 = X 18 rX 17 = 98.8 0.67(86.6) = 40.78 * X 19 = X 19 rX 18 = 110.8 0.67(98.8) = 44.60 * X 20 = X 20 rX 19 = 124.7 0.67(110.8) = 50.46
Con los datos nuevos, transformados de Y e X, a partir de r, ahora corremos nuevamente la regresin sobre las variables transformadas (que identificaremos con *), sin omitir los datos de 1959, y se obtienen:
y
De manera detallada:
Dependent Variable: YCALC Method: Least Squares Date: 11/20/04 Time: 14:32 Sample: 1959 1978 Included observations: 20 Variable
* t
= 4.65 + 1.52 x t
R2 = 0.94 d = 1.32
(2.42) (0.08)
Coefficient
Std. Error
t-Statistic
Prob.
149
C XCALC R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
4.656444 1.526495 0.942061 0.938842 4.746834 405.5838 -58.47472 1.327927
2.423902 0.089229
1.921053 17.10764
0.0707 0.0000 41.93650 19.19455 6.047472 6.147046 292.6714 0.000000
Vemos en la tabla de Durbin y Watson que con = 5%, n = 20 y K1 = 1 se obtiene dU = 1.41 y dL=1.20. Por consiguiente decimos que d = 1.32, esta entre estos dos valores anteriores, lo cual significa que la autocorrelacin esta indefinida. Por otra parte, es interesante sealar que cuando omitimos los datos de Y e X del primer ao, 1959, al correr la ecuacin de regresin se obtiene el siguiente valor de d cuyas estadsticas no difieren sustancialmente de la anterior.
Dependent Variable: YTRNSF Method: Least Squares Date: 11/21/04 Time: 09:21 Sample(adjusted): 1960 1978 Included observations: 19 after adjusting endpoints Variable C XTRNSF R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 4.526473 1.519796 0.937990 0.934343 4.849969 399.8774 -55.90366 1.335496 Std. Error 2.479092 0.094774 t-Statistic 1.825859 16.03594 Prob. 0.0855 0.0000 40.05211 18.92771 6.095122 6.194537 257.1515 0.000000
b) Ejemplo de Gujarati .
A manera de comparacin y de ilustracin de los diversos mtodos recin analizados, adicionalmente considrese el ejemplo siguiente elaborado por Gujarati ( 1990:323). (Vase la siguiente tabla ) Tabla con los datos originales Relacin entre el ndice de vacantes (IV) y la tasa de desempleo (U)
150
Ao y trimestre IV 1957-1959=100 1962 1 104.66 1962 2 103.53 1962 3 97.30 1962 4 95.96 1963 1 98.83 1963 2 97.23 1963 3 99.06 1963 4 113.66 1964 1 117.00 1964 2 119.66 1964 3 124.33 1964 4 133.00 1965 1 143.33 2 144.66 1965 1965 3 152.33 178.33 1965 4 1966 1 192.00 186.00 1966 2 1966 3 188.00 193.33 1966 4 1967 1 187.66 175.33 1967 2 1967 3 178.00 187.66 1967 4
U% 5.63 5.46 5.63 .5.60 5.83 5.76 5.56 5.63 5.46 5.26 5.06 5.06 4.83 4.73 4.46 4.20 3.83 3.90 3.86 3.70 3.66 3.83 3.93 3.96
Fuente: Damodar Gujarati, fhe Relation between Help-Wanted Index and the Unemploy ment Rate: A Statistical Analy sis, 1962-1967 , The Quarterly Review of Economics and Business, vol. 8,1968, pp. 67-73.
El modelo de regresin seleccionado para la investigacin emprica fue ln IVt = 1 + 2ln Ut + t donde IV es el ndice de vacantes y U la tasa de desempleo1. A priori, se espera que 2 sea negativo. (Por qu?) Suponiendo que se cumplen todos los supuestos M CO, se puede escribir la regresin estimada como: 7.3084 - 1.537510 lnUt (0.1110) (0.0711) N = 24 t = (65.825) (-21.612) r2 = 0.9550 d = 0.9021 De la regresin estimada, se observa que el d de Durbin-Watson indica la presencia de correlacin serial positiva, Para 24 observaciones y 1 variable explicativa, la tabla Durbin-Watson al 5% muestra que dL = 1.27 Y du = 1.45 Y el d estimado es de 0.9021 y est por debajo del lmite crtico.' Puesto que la regresin arriba citada est contaminada de correlacin serial, no se puede confiar en los errores estndar estimados y en las razones t por los argumentos ya anotados. Por consiguiente, es necesario aplicar medidas remediales. El remedio, por supuesto, depende de que p (coeficiente de
1
lnVI =
Por el momento, no debe preocupar el problema de simultaneidad, es decir si U ocasiona el IV o viceversa.
151
correlacin) pueda ser estimado mediante uno o ms de los mtodos ya analizados. Para nuestro ejemplo ilustrativo el p estimado a partir de los diversos mtodos es el siguiente: P 0.5490 0.5598 0.54571 0.57223 0.57836 0.57999 0.58040 0.7952 Comentario Vase (12.6.12) Vase ejercicio 12.6
Mtodo utilizado d de Durban-Watson d de Theil-Nagar Cochrane-Orcutt Iteracin I Iteracin II Iteracin III Iteracin IV Iteracin V Dos etapas, de Durban
Como puede ver el lector, el d de Durbin-Watson, el d modificado de Theil-Nagar, el paso l del procedimiento de dos etapas de Cochrane-Orcutt y el procedimiento iterativo de Cochrane-Orcutt todos producen estimaciones de p que son bastante similares; pero la obtenida de Durbin, dos etapas, es bastante diferente2. La pregunta prctica es entonces: Cul mtodo de estimacin de p se debe seleccionar en la prctica? Se dar respuesta a esta pregunta en breve. Por el momento, se continuar con nuestro ejemplo y se ilustrar la forma de estimar la ecuacin en diferencia generalizada (o estimacin M CG factible) utilizando uno de estos P. Se utiliza la aproximacin de d en muestras pequeas de Theil-Nagar. Utilizando la frmula dada en el ejercicio dos hojas atrs, se obtiene = 0.5598. Con esta estimacin, se transforma la informacin de la siguiente manera:
InIVt * = ln IVt 0.5554 ln IVt 1 InU t* = InU t 0.5554inU t 1 Es decir, se resta 0.5554 veces el valor anterior de la variable de su valor actual. Puesto que la primera observacin no tiene un valor precedente, se tienen dos opciones: (1) eliminarla del anlisis, o (2) incluirla mediante la transformacin de Prais-Winsten, la cual, en el presente caso, se convierte en
Puede haber una razn tcnica para esta diferencia. Si se examina (12.6.19) cuidadosamente, se ver que hay dos estimaciones de p, una obtenida directamente del valor rezagado de Y y otra obtenida al dividir el coeficiente del valor rezagado de X por el coeficiente de X. No hay garanta de que las dos estimaciones sean idnticas. El problema real aqu es que (12.6.19) es intrnsecam ente un modelo de regresin no lIneal (en parmetros) y debe ser estimado mediante procedimientos de estimacin de regresin no lIneal, que estn por fuera del alcance de este lIbro.
2
152
[ 1 (0.5554 )
InIV1 y
] [ 1 (0.5554 )
InU1 . Se presentan los resultados en las dos formas.
Omitiendo la primera observacin ln IV t* = 3.1284- 1.4672 In U * t ee = (0.0886) (0.1328) t = (35.326) (-11.045) N = 23 r2 = 0.9685 d=1.77
donde las variables con asterisco son las transformadas. como se indic anteriormente. Obsrvese que 1 (1 1 (1 0.5554) de donde se obtiene 1 = 7.3084. que es comparable con el 1 de 3.1284 = ) = la regresin original (12.7.1). Incluyendo la primera observacin (transformacin Prais- Winsten)339 ln IV t* = 3.1361 - 1.4800 In U * t ee = (0.0813) (0.1198) t = (38.583) (-12.351) N = 24 r2 = 0.9684 d = 1.83 (12.7.3)
Comparando la regresin original (contaminada de autocorrelacin) con la regresin transformada y la regresin Prais-Winsten se observa que los resultados son generalmente comparables4. La pregunta prctica es: se ha resuelto el problema de autocorrelacin? Si se toman los valores Durbin-Watson estimados reportados por sus valores observados, parecera que ya no hay autocorrelacin de (primer orden) (Por qu?) Sin embargo, como lo anota Kenneth White en su SHAZAM (p.86).las tablas de Durbin-Watson pueden no ser apropiadas para probar la presencia de correlacin serial en la informacin, que ya ha sido ajustada por autocorrelacin. Por consiguiente, se puede utilizar una de las pruebas no paramtricas analizada anteriormente. Para la regresin original puede demostrarse que con base en la prueba de rachas, no se puede rechazar la hiptesis de que no hay correlacin serial en los residuales de esa regresin. (Vase ejercicio 12.20). Para la regresin Prais-Winsten (12.7.3) puede tambin demostrarse que los residuales estimados de esa regresin estn libres del problema de correlacin serial. (Verfiquese esto explcitamente. Como informacin. hay 11 residuales positivos. 13 residuales negativos y el nmero de rachas es 12. Si se desea probar hiptesis sobre los parmetros. se puede proceder en la forma usual. Pero
3
Un punto tcnico: El trmino de intercepto en la regresin Prais-Winsten es algo complicado. Como resultado, se debe efectuar esta regresin a travs del origen. El trmino de intercepto reportado en (12.7.3) no ha sido mezclado. Para mayores detalles, vase Kenneth J. White y Linda T.M. Bui, Com puter Handhook Using SHAZAM, McGraw-Hill, New York, 1985, p. 86. Para detalles tericos, vase Jan Kmenta. Elem ents o/ Econom etrics, 2a. ed., Macmillan, New York, 1986. pp. 303-305. 4 Pero recurdese que en muestras pequeas. los resultados podran ser sensibles a la inclusin o exclusin de la primera observacin.
153
obsrvese que como se est estimando p. las pruebas usuales de significancia sern estrictamente vlidas solamente en muestras grandes. En muestras pequeas, los resultados de las pruebas sern solo aproximados. Por ejemplo, de (12.7.2) se puede concluir que el verdadero coeficiente de pendiente es estadsticamente diferente de cero. Pero se debe tener cautela aqu puesto que nuestra muestra de 23 observaciones no es demasiado grande. Comparacin de los mtodos. Retornando a la pregunta planteada anteriormente: Cul mtodo de estimacin de p se debe utilizar en la prctica para efectuar la regresin en diferencia generalizada o M CG factible? Si se est tratando con muestras grandes (digamos, por encima de 60-70 observaciones). no hay gran diferencia en cul mtodo sea seleccionado. ya que todos producen ms o menos resultados similares. Pero generalmente este no es el caso en muestras finitas o pequeas ya que los resultados pueden depender de cul mtodo se seleccione. En muestras pequeas, entonces, cul mtodo es preferible? Desafortunadamente, no hay una respuesta definitiva a esta pregunta porque los estudios de muestras pequeas realizados mediante los diversos mtodos, a travs de las simulaciones de M onte Carlo, no favorecen consistentemente ninguno de los mtodos. En la prctica, sin embargo, el mtodo frecuentemente utilizado es el mtodo iterativo de CochraneOrcutt, que ya ha sido incorporado a diversos programas de computado tales como ET; SHAZAM , TSP Y SAS. A medida que el software de computador se hace ms sofisticado, se pueden utilizar mtodos de estimacin de p orientados especficamente para tratar con tales muestras pequeas. De hecho, en la actualidad, paquetes como SAS contienen M V y algunos procedimientos no lineales de estimacin de p (Vase el procedimiento AUTOREG de SAS).
Por otra parte es conveniente sealar que para llegar a estos resultados transformando las variables originales, al igual que en el ejemplo anterior, se utiliz el algoritmo que se expresa en la siguiente tabulacin. IVt 104.66 103.53 .. .. 187.66 Ut 5.63 5.46 . . 3.96 LnIVt LnUt InIVt* = ln IVt 0.5598 ln IVt 1 InU t* = InU t 0.5598 ln U t 1
.. ..
.. ..
.. ..
.. ..
M ediante estas transformaciones se obtuvieron las ecuaciones de regresin que permitieron, primero, identificar la autocorrelacin y segundo, eliminarla. As, para verificar la eliminacin de autocorrelacin, hacemos lo siguiente: a)Con N=23 y k-1=1 =5% tenemos que dL=1.257 y du=1.437, comparamos y vemos que: d=1.77
154
>du=1.437, luego como d>du no hay correlacin y aceptamos Ho: r=0. b)Con N=24, y k-1=1 =5% obtenemos en tablas dL=1.273 y du=1.446, comparamos d=1.8342 >du=1.446, como d>du , decimos que no hay correlacin y aceptamos Ho: r=0.
X.3
MULTICOLINEALIDAD
Se dice que existe multicolinealidad cuando dos o ms variables explicativas estn altamente correlacionadas en el modelo de regresin; esta alta correlacin impide conocer el efecto individual de cada una de estas variables explicativas sobre la variable dependiente. X.3.1 Consecuencias de la correlacin entre variables explicativas.
Los coeficientes estimados con el mtodo de mnimos cuadrados ordinarios, en opinin de D. Salvatore (misma obra citada anteriormente, pgina 151), pueden ser estadsticamente insignificantes, aun cuando se vea que R2 tenga valores muy altos y, lo que es ms importante, los coeficientes estimados aun siguen siendo INSESGADOS. Es ms, Salvatore menciona que si el propsito principal de la regresin es el PRONOS TICO la multicolinealidad no es un problema si el mismo patrn de multicolinealidad persiste durante el perodo pronosticado. X.3.2 Cmo se identifica la multicolinealidad?
1. Cuando se observa que alguno o ninguno de los coeficientes de las variables explicativas es estadsticamente significativo, adems de que R2 resulta alto y F muestra que en conjunto si son significativos estadsticamente. Carrascal (2001:162). 2. Tambin se detecta la multicolinealidad cuando se obtienen elevados coeficientes de correlacin simple o parciales, entre las variables explicatorias; sin embargo, esto no es muy seguro porque puede presentarse multicolinealidad suficiente aun si los coeficientes de correlacin simple o parciales son relativamente bajos (menores que 0.5). Derivado de lo anterior es que Carrascal (2001:174) propone calcular la matriz de correlaciones entre cada par de regresores, es decir hacer anlisis de correlacin simple; si la correlacin es elevada (prxima a 1) es indicativo de que hay multicolinealidad. X.3.3 Mtodos para reducir o eliminar la multicolinealidad a) Se amplia el tamao de los datos muestrales; b) Utilizar informacin a priori; c) Se transforma la relacin funcional: incrementando o deflactando las variables del modelo.
155
d) Se omite una de las variables altamente colineales. En este caso puede surgir un problema de especificacin o error si la teora seala que dicha variable omitida se debe incluir en el modelo, por ello no es recomendable. NOTA: La transformacin de variables incluidas en el modelo para que la nuevas variables transformadas presenten correlaciones lineales ms bajas se hace incrementando las variables, como ya se indic y, en el caso de la deflactacin de las mismas, se hace con INPC u otro apropiado, de modo que el modelo ahora se expresa a precios constantes y con ello se elimina la multicolinealidad. X.3.4 Ejemplos numricos para identificar y resolver la multicolinealidad. D. Salvatore en la pgina 155 de la obra citada plantea el siguiente caso: La produccin en toneladas, Q, los insumos de trabajo en horas-hombre, L, as como los insumos de capital en horas-mquina, K, as como sus logaritmos naturales, lnQ, InL. lnK, respectivamente, de 15 empresas norteamericanas. Empresa 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Q 2,350 2,470 2,110 2,560 2,650 2,240 2,430 2,530 2,550 2,450 2,290 2,160 2,400 2,490 2,590 L 2,334 2,425 2,230 2,463 2,565 2,278 2,380 2,437 2,446 2,403 2,301 2,253 2,367 2,430 2,470 K 1,570 1,850 1,150 1,940 2,450 1,340 1,700 1,860 1,880 1,790 1,480 1,240 1,660 1,850 2,000 LnQ 7.76217 7.81197 7.65444 7.84776 7.88231 7.71423 7.79565 7.83597 7.84385 7.80384 7.73631 7.67786 7.78322 7.72004 7.85941 Lnl 7.75534 7.79359 7.70976 7.80914 7.84971 7.73105 7.77486 7.79852 7.80221 7.78447 7.74110 7.72002 7.76938 7.79565 7.81197 LnK 7.35883 7.52294 7.04752 7.57044 7.80384 7.20042 7.43838 7.52833 7.53903 7.48997 7.29980 7.12287 7.41457 7.52294 7.60090
b1
a) Con esos datos ajust una funcin de produccin Cobb Douglas de la forma Q = b0 L y encontr
K e
b2
as como el coeficiente de correlacin simple entre lnL y lnK; para ello transform
los datos en forma de logaritmo natural y obtuvo: lnQ = 0.50 + 0.76 lnL + 0.19 lnK (1.07) ( 1.36) R2 = 0.969
= 0.964
156
r
Detalladamente:
Dependent Variable: LQ Method: Least Squares Date: 11/22/04 Time: 21:29 Sample: 1 15 Included observations: 15 Variable C LL LK R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.500430 0.757561 0.188009 0.968882 0.963696 0.012849 0.001981 45.70710 2.087142
ln L ln K
= 0.992
Std. Error 4.480020 0.707327 0.138676
t-Statistic 0.111703 1.071019 1.355744
Prob. 0.9129 0.3052 0.2001
b) Relacion lnQ con lnL solamente y hall: LnQ = -5.50 + 1.71 lnL (0.71) (0.09)
R2 =0.964
Dependent Variable: LQ Method: Least Squares Date: 11/21/04 Time: 18:48 Sample: 1 15 Included observations: 15 Variable C LL R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -5.501022 1.708958 0.964116 0.961355 0.013256 0.002285 44.63824 2.072943 Std. Error 0.711105 0.091442 t-Statistic -7.735877 18.68891 Prob. 0.0000 0.0000
157
c) Relaciono lnQ con lnK solamente lnQ = 5.33 + 0.33 lnK (0.13) (0.01) R2 = 0.966
Dependent Variable: LQ Method: Least Squares Date: 11/21/04 Time: 18:49 Sample(adjusted): 1 15 Included observations: 15 after adjusting endpoints Variable C LK R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 5.331671 0.330505 0.966443 0.963646 0.012767 0.001956 42.26587 2.067412 Std. Error 0.131934 0.017778 t-Statistic 40.41163 18.59031 Prob. 0.0000 0.0000
d) Analiz los resultados anteriores en relacin con la multicolinealidad y seal: Que en a) ni
ni
eran estadsticamente significativas con = 5% y como R2 = 0.97, concluy
que haba multicolinealidad, es decir, las empresas ms grandes eran propensas a usar ms trabajo y ms capital que las empresas pequeas. Esta situacin se confirm por el valor muy alto de 0.992 para el coeficiente de correlacin simple entre lnL y lnK. En b) y c) al reestimarse la regresiones simples con lnL lnK como la nica variable explicatoria, se vio que tanto los coeficientes de lnL como lnK ahora eran estadsticamente significativas con = 1% y con R2 superior a 0.96. Estos mejores resultados usando una sola variable explicativa podran inducir a usar una sola de ellas en la regresin. Ello no es aconsejable, ya que omitirla en la regresin mltiple genera una estimacin de pendiente con mnimos cuadrados ordinarios sesgada para la variable explicativa utilizada, debido a que la teora de la empresa establece que el trabajo como el capital deben incluirse en la funcin de produccin. e) Cmo superar lo anterior, cmo eliminar la multicolinialidad trabajando con las dos variables independientes ?, para ello supone que en esta industria no existen economas de escala (es decir, b1 + b2=1); ahora bien en palabras de Gujarat (1991:234): si se espera obtener retornos a escala constante, entonces b1+b2=1.
158
Se recurre a la transformacin de las variables sabiendo que sin economas de escala, la funcin de produccin Cobb Douglas se puede plantear como
Q =b L K e
b1 1 b1 0
, ecuacin en la que se
observa al compararla con la ecuacin inicial, que b2 ahora se obtiene a partir de b1. Al expresar la nueva ecuacin en forma doble Log y reordenndola, se tiene: ln Q = ln b0 + b1 ln L + (1 b1) ln K + u ln Q ln K = ln b0 + b1 (ln L ln K ) + u Enseguida se establece lnQ* = lnQ lnK y lnL* = lnL lnK y luego relacionando y corriendo en la computadora lnQ* con lnL*, para calcular b1, se obtiene la siguiente ecuacin de regresin: LnQ* = 0.07 + 0.83 lnL* (0.008) (0.022)
Dependent Variable: Q1 Method: Least Squares Date: 11/21/04 Time: 20:13 Sample: 1 15 Included observations: 15 Variable C L1 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.071856 0.830859 0.990908 0.990209 0.013114 0.002236 44.80058 1.960016 Std. Error 0.008354 0.022073 t-Statistic 8.601163 37.64117 Prob. 0.0000 0.0000
R2 0.990
luego
=1 b 1 = 1 0.83 = 0.17 , de manera que b1+b2=1 es decir 0.83 +
0.17=1 Por consiguiente al hacer la prueba de significacin, se recurre a la columna de probabilidad que indica un valor de cero, indicativo de que son estadsticamente significativas ambas variables, esto es debido a la probabilidad de =0.05 que maneja el programa, y por ello ya no existe multicolinealidad.
159
La solucin al problema de la multicolinealidad que se presenta podemos decir que es de manera parcial, ya que es necesario contar con ms informacin (datos) para estimar nuevamente y llegar a la solucin del problema, en donde se puedan usar las dos variables explicativas, ya que como se recordar el problema de la multicolnealidad es una cuestin de grado y no de clase. La distincin significativa no es entre la presencia o ausencia de este fenmeno en un modelo, sino entre sus varios grados. Como la multicolinealidad se refiere a una condicin sobre las variables explicativas o independientes que se supone no estocsticas, entonces es una caracterstica de la muestra y no de la poblacin bajo estudio.[Luis O, 1992] Cabe sealar que la deteccin de multicolinealidad es la mitad de la batalla (Gujarati, 1991:241). La otra mitad esta relacionada con hallar como deshacerse del problema. Nuevamente, no existen mtodo seguro, solamente unas pocas reglas generales. Algunas de estas son las ya mencionadas en el punto XI.3.3. Naturalmente, para saber cual de estar regla utilizar en la practica tenemos que conocer la naturaleza de los datos y la severidad del problema de multicolinealidad. El archivo maestro o nuestra base de datos para llegar a estos resultados es.
obs 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 Q 2350 2470 2110 2560 2650 2240 2430 2530 2550 2450 2290 2160 2400 2490 2590 L 2334 2425 2230 2463 2565 2278 2380 2437 2446 2403 2301 2253 2367 2430 2470 K 1570 1850 1150 1940 2450 1340 1700 1860 1880 1790 1480 1240 1660 1850 2000 LQ 7.76217060714 7.81197342962 7.65444322647 7.84776253747 7.88231491898 7.71423114485 7.79564653633 7.83597458172 7.84384863815 7.80384330354 7.73630709655 7.67786350068 7.78322401634 7.82003798946 7.85941315469 LL 7.75533881285 7.79358680337 7.70975686445 7.80913539812 7.8497137576 7.73105314401 7.77485576667 7.79852305363 7.80220931625 7.78447323574 7.74109909004 7.72001794043 7.76937860951 7.79564653633 7.81197342962 LK 7.35883089834 7.52294091807 7.04751722136 7.57044325206 7.80384330354 7.20042489294 7.43838353004 7.52833176671 7.53902705582 7.48997089883 7.29979736676 7.1228666586 7.41457288135 7.52294091807 7.6009 LQ*1 0.41 0.29 0.61 0.28 0.08 0.51 0.36 0.31 0.3 0.31 0.44 0.56 0.37 0.3 0.26 L*1 0.4 0.27 0.66 0.24 0.05 0.53 0.33 0.27 0.26 0.29 0.44 0.6 0.36 0.28 0.21
XI . M O D ELO D E ECU ACI O N ES S I M U LTAN EAS : APLI CACI O N ES ECO N M I CAS A ECU ACI O N ES D E EQ U I LI BRI O 2 . Con los uniecuacionales se establece una relacin unidireccional, de causa a efecto; donde X es la causa y Y el efecto: No obstante hay situaciones en que Y influye tambin X, en este caso es preciso considerar dos ecuaciones : a un modelo de ecuaciones simultaneas, en el que hay ms de dos ecuaciones , una para cada variable dependiente se le llama modelo de ecuaciones simultaneas.
160
En este caso el mtodo M CO, es generalmente inaplicable para estimar los parmetros de cada una de las ecuaciones en el modelo. Por otra parte si en este modelo existen dos o ms ecuaciones no es posible obtener valores numricos de cada parmetro en cada ecuacin porque las ecuaciones no son observacionalmente distinguibles, es decir se parecen mucho entre si , entonces se tiene el problema de IDENTIFICACIN; por ejemplo en la regresin de la cantidad Q sobre el precio P es la ecuacin resultante una funcin de oferta o de demanda ya que Q y P son parte de las dos funciones. Luego es importante resolver el problema de identificacin antes de proceder ala estimacin . para ello hay diversos mtodos, como tambin los hay para estimar los modelos de ecuaciones simultaneas. El metodo de M CO no es aplicale porque uno de sus supuestos es que X no es estocstica, y si lo es, esta distribuida independientemente del termino de perturbacin (Ui) estocstico . si no se cumple lo anterior, entonces los estimadores de M CO son sesgados e inconsistentes: cuando n tiende a N, el valor del estimador no converge con el valor del parmetro poblacional, dado que hay correlacin entre X y U i. Mtodos para la Estimacin Para estimar los parmetros de los modelos existen diversos mtodos, destacan: a) Uniecuacionales o de informacin limitada; b) M todos de sistemas conocidos como M todos de informacin completa. En los uniecuacionales cada ecuacin ( en el sistema de ecuaciones simultneas) se estima individualmente considerando las restricciones impuestas sobre ella ( tales como la exclusin de algunas variables ) sin preocuparse de las restricciones sobre las otras ecuaciones en el modelo, de ah el nombre de mtodos de informacin limitada . En el segundo grupo de mtodos , se estiman todas las ecuaciones en el modelo de manera simultanea, teniendo en cuenta ,las restricciones ocasionadas por la omisin o ausencia de algunas variables sobre dichas ecuaciones, por eso se llaman mtodos de informacin completa. Idealmente se deberan usar los mtodos de sistemas, dentro de los que destaca el mtodo de mxima verosimilitud con informacin completa, pero en la prctica no se usan por: a) El gran numero o volumen de datos, b) Conducen a soluciones que son altamente no lineales en los parmetros y por ende, difciles de determinar y c) Si hay un hroe de especificacin, este se trasmite al resto del sistema. En consecuencia estos mtodos se vuelven muy sensibles a los errores de especificacin. Por consiguiente, en la practica, se usan los mtodos uniecuacionales con mucha frecuencia, los cuales son: 1. M nimos cuadrados ordinarios, M CO; 2. M nimos cuadrados indirectos, M CI; y 3. M nimos cuadrados de dos etapas . Sobre uno, antes se habl de sus limitaciones, sin embargo hay una situacin en que puede aplicarse apropiadamente: En los modelos recursivos, triangulares o causales, donde las perturbaciones de
161
diferentes ecuaciones no estn correlacionadas, es decir existe cero correlacin contempornea ( el mismo periodo. Con el dos, se usa cuando la ecuacin estructural esta exactamente identificada; donde las estimaciones de los parmetros se conocen como estimaciones de mnimos cuadrados indirectos, cuyos parmetros son consistentes y, bajo los supuestos apropiados, eficientes. El mtodo numero tres se usa cuando una variablerepresentante de la variable explicativa estocstica Y t, tal que aunque se parece a ella ( ambas estn altamente correlacionadas), no esta correlacionada con U-i. Tal variable tambin se le conoce como estructural, Cmo se obtiene esta variable? Con el mtodo de mnimos cuadrados en dos etapas, M C2E. ROSARIO AQU VAN LAS 3 HOJAS DE SALVATORE
162
163
164
165
A manera de reit eracin, como s e indic, el s is t ema de ecuaciones s imult neas es el fundament o de los mode l os mu l ti e cu aci on al e s , que a diferencia de los modelos uniecuacionales vis t os has t a el moment o, s e caract eriz an p or lo s iguient e: a) Exis t e ms de una variable dep endient e; b) Exis t e ms de una ecuacin; c) U na variable dep endient e de una ecuacin p uede ap arecer como variable exp licat iva en ot ra ecuacin del s is t ema de ecuaciones s imult neas . P or ello, en op inin de G ujarat i (1990,275), dicha variable dependiente explicativ a s e conviert e en es t ocs t ica, es t ando p or lo general correlacionada con el t rmino de p ert urbacin de la ecuacin en la que ap arece como exp licat iva. En es t a s it uacin el mt odo M CO no debe ap licars e p orque los es t imadores obt enidos no s on cons is t ent es , lo que imp lica que no t ienden a s u valor cerdadero, cualquiera que s ea el t amao de la mues t ra. A cont inuacin s e exp one la cons t ruccin de un modelo mult iecuacional con ap licaciones a la economa. XI .1 Teora de l os Preci os XI .1.1 I n trodu cci n : Fu n ci on es y M odel os La may ora de las p rop os iciones bs icas de la t eora econmica t ienen que ver con relaciones funcionales y s e p ueden rep res ent ar o formular mat emt icament e. En la t eora de los p recios p odemos emp ez ar con dos s up ues t os s imp les : i ) La cant idad (Q o ) de un bien ofrecido p ara venders e en un moment o dado dep ende del p recio (p ). En lenguaje mat emt ico, la cant idad ofrecida es funcin del p recio. Q 0 = f 1 (p ) A dems , s e s up one que la cant idad ofrecida aument ar s i el p recio aument a y dis minuir s i s t e des ciende. i i ) La cant idad Q d de un bien que los cons umidores demandarn dep ende del p recio (p ), luego Q d = f 2 (p ). Se s up one que la cant idad demandada aument ar s i el p recio dis minuy e y dis minuy e s i el p recio aument a. El p roblema es encont rar funciones mat emt icas que rep res ent en la funciones de ofert a (Q 0 ) y de demanda (Q d ). Si el p recio s e mide en el eje vert ical y la cant idad demandada en el eje horiz ont al; s abemos que la curva normal de la ofert a t endr p endient e p os it iva y la curva de demanda s er negat iva.
166
70 60 50 40 30 20 10 0 0
20
40
60
Las funciones s ern : Q 0 = 3p Q d = 40-2p Es t as dos ecuaciones p roducen lneas rect as de la ofert a y la demanda. D os ecuaciones de s egundo grado s ern, p ara la mis ma relacin econmica: Q 0=p 2+2
Qd = 12 p
La p rimera es una p arbola y la s egunda es una hip rbola rect angular. En ambas , p art e de la curva es irrelevant e. P recios y cant idades negat ivos no s on de int ers p ara el economis t a, p or ello los grficos y diagramas en economa generalment e mues t ra las s ecciones p os it ivas de las funciones ilus t radas , el res t o es s imp lement e ignorado en las funciones ant eriores P y Q . Las cons t ant es que det erminan la relacin exact a de P y Q s e conocen como p armet ros de las funciones . En la funcin lineal de demanda ant erior 40 y -2 s on los dos p armet ros . XI .1.2 El aboraci n de u n M odel o. U na vez que es cogimos de la ofert a y demanda, s imp lement e un s is t ema la vida econmica. P ara las dos funciones adecuadas p ara rep res ent ar las relaciones ens eguida p rocedemos a elaborar un modelo. U n modelo es de ecuaciones s imult neas des cribiendo algunos as p ect os de encont rar los valores de las diferent es variables cont enidas
167
en el modelo es neces ario que el nmero de incgnit as en el modelo s ea exact ament e igual al nmero de ecuaciones . T omemos el s egundo p ar de ecuaciones de demanda y ofert a Q 0=p 2+2
Qd = 12 p
El modelo no es t comp let o y a que t enemos dos ecuaciones p ero t res incgnit as : Q 0 , Q d , y p . Como nos ot ros bus camos una s it uacin de equilibrio, es decir, los valores de P y Q p ara los cuales la cant idad ofrecida en vent a es exact ament e igual a la cant idad que los cons umidores comp raran. Lo ant erior nos da la t ercera ecuacin, la de equilibrio. Q 0=Q d A hora el modelo es t comp let o y graficando las funciones p odemos encont rar los valores de P y Q , y hallar que el p recio y la cant idad s on 2 y 6 res p ect ivament e. Es t e enfoque que requiere es t ablecer un s is t ema de ecuaciones s imult neas cuy a s olucin es p ara encont rar los valores de equilibrio de las variables es una de las herramient as bs icas de los economis t as . N at uralment e los modelos s ern ms comp lejos que el ut iliz ado, p ero los p rincip ios s on los mis mos . 1. Ejercicio: D e las s iguient es ecuaciones indique cuales rep res ent an adecuadament e a las ecuaciones de demanda y ofert a. Q = 155-25p Q = 50p P = 0.10Q 2 P Q = 20 5Q -50-200P = 0 Q = 1200-p 2
Q ue s up ues t os hiz o s obre las caract ers t icas de la forma de las funciones de ofert a y demanda? 2.- Comp let e los 2 modelos y encuent re el p recio y cant idad de equilibrio, dadas las s iguient es ecuaciones .
168
a) Q d = 100-20p Q 0 = -5+ 15p SO LU CI N : Q = 155-25p Q = 50p P = 0.10Q 2 P Q = 20 es es es es ecuacin ecuacin ecuacin ecuacin de de de de
b) Q d = 1000-p 2 Q 0 = 30 p
demanda ofert a ofert a demanda
es ecuacin de ofert a 5Q -50-200P = 0 es ecuacin de demanda Q = 1200-p 2 Sup ues t os p ara la demanda: A medida que el p recio aument a, la cant idad demandada baja. Sup ues t os p ara la ofert a: A medida que el p recio aument a, la cant idad ofrecida aument a. F uncin de O fert a P Q 2 F uncin de demanda P Q Si P = 0.10Q 1 .31 2 Si Q = 155-25p 1 130 Q = P /0.10 2 .44 Q -155+ 25p = 0 25p = -Q + 155
P = Q + 155 25
105
Q=
P 10
.54
F uncin de demanda P P Q = 20 1 Q = 20/P 2 3 Cuando Q = 1200-P 2 F uncin de D emanda P Q 1 1999
Q 20 10 6
169
2 3 a)
1996 1961 Q d = 100-20P Q 0 = -5+ 15P Q 0=Q d P = 3; Q = 40 Q d = 1000-P 2 Q 0 = 30P Q 0=Q d P = 20; Q = 600
XI .1.3 Con stru cci n de u n M odel o de Equ i l i bri o Preci o-D eman da-O ferta 2 Sup onga que s abamos que a un p recio de 10 p es os la cant idad demandada de un bien det erminado es de 250 unidades , y que la cant idad demandada aument ar en 50 unidades p or la reduccin de cada p es o p or abajo de 10 p es os , y dis minuir en 50 unidades la cant idad p or el aument o de cada p es o p or arriba de 10 p es os . La demanda es una lnea rect a como s e mues t ra en el s iguient e diagrama, donde la relacin es t e la cant idad demandada (Q d ) y el p recio (p ) p uede des cribirs e as : Q d = a-bP
p 25 20 15 10 5 0 -5 0 200 400 600 800 Q
Si la demanda s e ext iende al eje de las equis (lnea p unt eada), ello imp licara que una cant idad finit a hip ot t ica s era demandada s i s e t rat ara de un bien librement e comerciable en el mercado. N o nos int eres a dicha s it uacin s ino la p orcin rep res ent ada p or la lnea cont inua. La ext ens in al p unt o en que P = 0 nos p rop orciona el valor de la cons t ant e a en la ecuacin ant erior; s i P = 0; Q d = a. A dems s abemos que (-b)es la p endient e dela rect a. Emp ez ando en el p unt o P = 0, s abemos que p or cada aument o de un p es o en el p recio, la cant idad demandada dis minuir en 50 unidades , es decir, b= 50, luego p odemos es cribir Q d = a-50p
170
Y como s abemos p or la informacin que recibimos que cuando P = 10, Q d = 250, p odemos hallar el valor de a s us t it uy endo es t os valores . 250 = a-50(10) a = 750 luego la ecuacin de demanda es : Q d = 750-50p . A hora analicemos el lado de la ofert a en el mercado. Sup onga que s abemos que s i el p recio fuera t an bajo como cinco p es os nadie ofrecera nada de la mercanca p ara la vent a, y que p or cada p es o de aument o arriba de es e nivel ($5.00), s e ofrecern 20 unidades del bien p ara vent a en el mercado. La ecuacin de la ofert a p uede es cribirs e as : Q 0 = c+ dp
p 12 10 8 6 4 2 0 0 50 100 150 Q
luego d= 20. Como s abemos que Q 0 = 0 cuando P = 5, det erminamos el valor de C haciendo: 0= C+ (20)(5) C= -100 A s la ecuacin de ofert a es : Q 0 = -100+ 20p A hora det erminemos los valores de equilibrio de P , Q d , Q o , es decir encont rar el p recio al cual la cant idad demandada es igual a la cant idad ofrecida en el mercado. P ara ello s e debe encont rar el p unt o de int ers eccin de las dos rect as , con Q d = Q 0
A s 750-50p
= -100+ 20p = 70P = 850 P = 12.14
171
Int erp ret acin: El p recio de equilibrio en es t e mercado es de 12.14. La cant idad comp rada y vendida a es e p recio s e det ermina s us t it uy endo el valor de P = 12.14 en cualquiera de las ecuaciones de ofert a y demanda. Q 0 = -100+ (20)(12.14) Q 0 = -100+ 242.80 Q 0 = Q d = 142.80
XI .1.4 Vari abl es En dgen as y Exgen as2 T omemos como referencia el modelo lineal ant erior t rabajando con las lit erales de las ecuaciones : Q d = a-bP Q 0 = c+ dP Q d=Q 0 Las variables en el modelo P y Q es t n int errelacionadas y el valor de una dep ende del valor de la ot ra, y a que cuando res olvimos el s is t ema de ecuaciones s imult neas p udimos encont rar el valor de P y luego el de Q p or s us t it ucin. A hora s up ngas e que s e t rat a de un p roduct o agrcola y des eamos aument ar el realis mo del modelo incluy endo la p recip it acin p luvial mens ual (R) en la ecuacin de la ofert a, la cual s e conviert e en: Q 0 = c+ dP + eR Es t a nueva variable es de diferent e nat uralez a de las variables P y Q. Los valores de P y Q s e det erminan dent ro del modelo y p or ello s e denominan como VARI ABLES EN D O G EN AS . La lluvia mens ual s in embargo, no s e det ermina p or ninguna variable dent ro del s is t ema, los cambios en P o Q no afect aron el valor de R. P ues t o que el valor de R s e det ermina p or fuerz as ext raas al modelo, s e conoce como VARI ABLE EXO G EN A.
172
Es int eres ant e la int erp ret acin grfica de un cambio en el valor de las variables exgenas . P ara ello s up onga que la ecuacin de ofert a Q 0 = C+ dP + eR t iene los s iguient es p armet ros : Q 0 = 4+ 3p + 2R En ciert o mes la p recip it acin p luvial fue de 2 p ulgadas , t al que la funcin de ofert a fue: Q 0 = 4+ 3p + 2(2) = 8+ 3p Q1 En el mis mo mes del s iguient e ao la p recip it acin fue 3.5 p ulgadas , la funcin de ofert a fue: Q 0 = 4+ 3p + 2(3.5) Q 0 = 11+ 3p Q2 graficando las dos ecuaciones t enemos :
120 100 80 60 40 20 0 0
O2 O1
Q 20 40 60
El cambio en el valor de la variable exgena p rodujo un cambio en la funcin de ofert a. Si, s in embargo le damos diferent es valores a las variables endgenas P y Q , ent onces s up oniendo que no cambie los valores de los p armet ros , la rect a de la ofert a no cambia. D iferent es valores de P y Q s imp lement e rep res ent an diferent es p unt os en la ecuacin de ofert a act ual. P ara Q 1 , t enemos Q 0 = 8+ 3p cuando p = 2, Q = 14; cuando p aument a a 3, Q aument a a 17, ot ro p unt o en la rect a. Similarment e p ara cualquier rect a de demanda de la forma Q d = f(p ), los cambios en cualquier variable exgena: ingres o, gas t o, et c., cambiarn la rect a de la demanda; los cambios en los p recios no la modificarn.
173
XI .2 Teora del I n greso 2 XI .2.1 El M odel o S i mpl e Keyn esi an o.
La t eora de ingres o nacional p uede dis ears e p ens ando en dos ident idades . La p rimera es t ablece que p ara una economa cerrada (s in comercio ext erior) el gas t o t ot al (E) es la s uma de los gas t os de cons umo, (C), gas t o de invers in (I) y el gas t o del gobierno (G ). E= C+ 1+ G La s egunda ident idad des cribe el des glos e del ingres o nacional en la forma en que s e recibe en la economa; el ingres o (Y) s e us a p ara comp rar bienes de cons umo (C), p ara el ahorro (A ), y p ara p agar imp ues t os al gobierno (T ):Y= C+ A + T P ara un det erminado p eriodo de t iemp o, el gas t o t ot al debe s er exact ament e igual al ingres o nacional recibido.E= Y y p or cons iguient e : C+ I+ G = C+ A + T Si s up onemos que el gobierno gas t a exact ament e lo que recibe como ingres o p or los imp ues t os que cobra, t enemos que (G = T ), luego como (C) ap arece en los dos lados de la economa, t enemos las ident idades : I= A y C= C. Es t as ident idades mues t ran que p ara cualquier p eriodo p as ado de t iemp o el t ot al de gas t o debi s er igual al ingres o recibido, y p or cons iguient e que la invers in fue igual al ahorro. Sin embargo no hay raz n alguna p ara s up oner que al p rincip io del p eriodo, la cant idad de dinero que los hombres de negocios des ean invert ir s ea igual a la cant idad que des ean ahorrar las p ers onas . Es t as lt imas p ueden des ear ahorrar ms de lo que p iens an invert ir los hombres de negocios , es t os p ueden p lanear invert ir ms de que las p ers onas p iens an ahorrar. En el p rimer cas o la p res in deflacionaria dis minuir el ingres o nacional has t a que alcance el p unt o de equilibrio; en el s egundo cas o, la p res in inflacionaria aument ar el ingres o nacional has t a un nivel de equilibrio en que el ahorro s ea igual a la invers in. La economa s lo es t ar en equilibrio cuando, a ciert o nivel de ingres o, cuando la invers in p laneada s ea igual al ahorro p laneado; en es t e cas o, el gas t o t ot al p laneado s er igual al ingres o t ot al es p erado. El p rofes or K ey nes ilus t ra s u t eora con el s iguient e modelo mat emt ico. Ejemp lo: Si la p rop ens in p romedio a ahorrar en un p as es t dada p or la exp res in: A = .2Y-50 y el nivel de invers in es t dado p or I= .1Y, encuent re el nivel de equilibrio del ingres o.
174
H as t a el moment o el modelo es t incomp let o, t enemos t res incgnit as (A , I, Y) y s olo dos ecuaciones . La t ercera ecuacin es la de equilibrio: A = I, res olviendo p ara Y 0.2Y-50= .1Y 0.1Y= 50 Y= 500 Sup onga que la p rop ens in p romedio a ahorrar aument a y que la funcin de ahorro cambia a: A = .2y -35. Si la funcin de invers in p ermanece cons t ant e, debemos es p erar p res iones deflacionarias p ara reducir el nivel de ingres os . D igamos que A = I 0.2Y-35= .1Y 0.1Y= 35 Y= 350. Es t as dos s it uaciones diferent es s e p ueden mos t rar grficament e:
A, I
400 350 300 250 200 150 100 50 0 -50 -100 0 500 1000 1500 2000
A' A
I
y
Si A=. 2 y - 5 0 Y A o -50 500 50
Si A =. 2 y - 3 5 Y A 0 -35 350 35
Si I =. 1 y y I 0 0 350 35 500 50
A=I O t ro diagrama us ado frecuent ement e en la t eora del ingres o mide el gas t o nacional (E) en el eje vert ical y el ingres o (Y) en el eje horiz ont al. H emos vis t o que en equilibrio E= Y
175
Los p unt os de equilibrio s e encuent ran a lo largo de la lnea con ngulo de 45 0 que es equidis t ant e de los dos ejes . A medida que el gas t o nacional aument a p or un aument o en el gas t o de cons umo, en la invers in o en el gas t o del gobierno, el p unt o de equilibrio s e mover hacia arriba y el ingres o nacional (medido en el eje horiz ont al) aument ar.
E (C+I+G)' C+I+G C+I C
45 00
Y0
Y1
U n hecho imp ort ant e que des t aca la t eora del ingres o y que s e ve clarament e en es t e diagrama, es que un aument o en uno de los comp onent es del gas t o p blico p rovocar un cambio ms que p rop orcional en el ingres o (Y), que s e denomina EF ECT O M U LT IP LICA D O R. XI .3 U n M odel o de Creci mi en to Equ i l i brado 2 . Los modelos cons t ruidos has t a el moment o s e refiere a condiciones es t t icas , s in embargo es p os ible us ar un conjunt o de ecuaciones s imult neas p ara es t ablecer las condiciones p ara el crecimient o equilibrado de la economa. U s emos los s iguient es s mbolos : Y= C= A= c, a= Ingres o nacional= p roduct o= gas t o Cons umo A horro p rop ens in a cons umir y ahorrar des p us de cap t ar el ingres o.
As tenem os : C= cY; A = aY; c+ a= 1 I= invers in K= dis p onibilidad de cap it al
176
v= raz n cap it al/p roduct o (p or ejemp lo s i v= 4, ello s ignifica que p or cada unidad adicional de p roduct o (Y) s e requieren 4 unidades adicionales de cap it al. Si s up onemos que el valor de v es cons t ant e de t al manera que t oman el mis mo valor las raz ones marginal y p romedio p roduct o/cap it al, ent onces p ara la economa como un t odo Y= K /v Ello imp lica que la dis p onibilidad de cap it al es un fact or limit ant e de la cap acidad de la economa p ara generar el p roduct o, y no la dis p onibilidad de mano de obra ni de recurs os nat urales . N ues t ro conocimient o de la t eora del ingres o nacional nos cap acit a p ara decir que el gas t o t ot al es : Y= C+ I Y= cY+ I Y-cY= I Y(1-c)= I Y= I/1-c Como a= 1-c t enemos que Y= I/a. (1)
La ecuacin (1) es la ecuacin del mult ip licador que mues t ra como el nivel de invers in y la p rop ens in a ahorrar ent re ellos det erminen el nivel de ingres o. P ara el p roduct o hemos es t ablecido que con una raz n (cap it al/p roduct o) cons t ant e k Y= . (2) v Combinando las ecuaciones (1) y (2) p odemos mos t rar que el gas t o conduce a la ut iliz acin p lena de la cap acidad de la economa s i y s lo s i:
I=K a v
.(3)
Cons t it uy endo el fundament o concis o de las condiciones p ara el us o p leno de los I recurs os dis p onibles . La s uma del t ot al de gas t os generados debe comp rar el a
K p roduct o generado cuando la cap acidad de la economa es t ot alment e ut iliz ada . v
Si la raz n
I a
es demas iado p equea t al que
I a
K v
la demanda es ins uficient e y la
economa op era s in ut iliz ar t oda s u cap acidad ins t alada. En es t as circuns t ancias los remedios key nes ianos recomiendan aument ar el p roduct o has t a el lmit e es t ablecido
177
p or la cap acidad de la economa. Las dos p os ibilidades s on: A ument ar la invers in o aument ar el cons umo lo que s ignifica dis minuir el ahorro. Cuales quiera de es t os dos p as os t endera a increment ar la raz n
I a
y en s u
moment o la cap acidad, el ingres o y el gas t o. D es afort unadament e el p roblema p ara los p as es p obres como M xico es mucho ms s erio. A menudo la dificult ad no es t rabajar p or abajo de la cap acidad p lena, s ino que an a cap acidad p lena, el p roduct o p or p ers ona es demas iado p equeo. El remedio s imp le de ahorrar menos (y gas t ar ms ) no es s uficient e; p ara aument ar el p roduct o s e debe aument ar la cap acidad de p roducir. En t rminos del modelo (k) debe crecer. D e la ecuacin (3) s i s up onemos que (a) y (v) s on cons t ant es , es claro que I t ambin debe crecer. Reordenando la ecuacin (3) t endremos :
I =aK v
.(3a)
Q ue es el nivel de invers in que us a p lenament e los ahorros generados p or el ingres o obt enido a cap acidad t ot al de la economa. D ividiendo los dos lados de la ecuacin p or K ,
I K = a v
(3b)
Es t a ecuacin es ms ilus t rat iva p ues t o que I rep res ent a la adicin net a al cap it al en un p eriodo de t iemp o dado y K rep res ent a el cap it al exis t ent e en es e mis mo p eriodo, I es la t as a de crecimient o de la dis p onibilidad de cap it al. Es t a t as a debe
K
s er
a v
anualment e.
Con lo ant erior hemos es t ablecido las condiciones p ara una t as a de crecimient o de la economa. Si la dis p onibilidad de cap it al crece a una t as a de a ent onces el p roduct o
v
ext ra generado s er abs orbido p or el increment o en el gas t o t ot al. D e hecho p uede mos t rars e que no s olament e la dis p onibilidad de cap it al, p ero la invers in y el ingres o t ambin deben crecer a una t as a de equilibrio en la economa.
a v
anualment e p ara que s e mant enga el
178
XI .4 Ejerci ci os
1.-
La economa de un p as p uede des cribirs e con las s iguient es ecuaciones : C= 15+ 0.9Y I= 20+ 0.05Y G = 25 Comp let e el modelo y encuent re los valores de equilibrio Y, C, I y G . niveles de
(a)
(b) D ibuje la grfica de las t res funciones C, C+ I y C+ I+ G y de los equilibrio del ingres o con y s in el gas t o del gobierno. 2.El ingres o nacional de A rcadia p uede des cribirs e con las ecuaciones : A = 0.25Y-100 I= 250
s iguient es
a) Comp let e el modelo y encuent re los niveles de equilibrio del ingres o y el ahorro. b) G rafque la informacin ant erior en un diagrama. c) D emues t re algebraicament e que s ucede con la funcin de ahorro y el nivel de equilibrio del ingres o cuando:
i ) La gent e decide ahorrar 75 unidades adicionales en t odos los niveles ingres o.
de
i i ) La gent e decide ahorrar 50 unidades menos en t odos los niveles de ingres o.
Solucin del pr im er pr oblem a a) Y = C+ I+ G
179
Y = [ 15+ 0.9Y] + [ 20+ 0.05Y] + 25 Y= 35+ 0.95Y+ 25 Y= 0.95Y+ 60 Y-0.95Y= 60 Y(1-0.95)= 60

Y = 60 0.05
Y= 1200 C= 15+ .9(1200) C= 15+ 1080 = 1095 I= 20+ .05(1200) I= 20+ 60 I= 80 G = 25 b) P ara dibujar las grficas de las 3 funciones , les damos valores y t enemos :
Y= C Y= 15+ 0.9Y Y-0.9Y= 15 0.1Y= 15

Y = 15 0.1 = 150
Y= C+ I 35+ 0.95Y= Y 35= Y-0.95Y

Y = 35 0 . 05 = 700
Y= C+ I+ G 60 Y= = 1200 .05 Y= 1, 200 Los niveles de equilibrio s on: con gas t o del gobierno Y= 1200; s in gas t o Y= 700. S ol u ci n del S egu n do Probl ema a) Comp let e el modelo: I= A en condiciones de equilibrio, los niveles de equilibrio del ingres o (Y) y del ahorro (A ) s on:
0.25Y-100= 250 0.25Y= 250+ 100

180
Introduccin a la Econometra Y = 350 025 .
Y= 1400 P ara el ahorro t enemos A = 0.25Y-100 A = 0.25(1400)-100 A = 350-100 A = 250 b) G rafque la informacin ant erior decimos : Y A 1400 250 0 -100
3 00
A, I
2 50 2 00 1 50 1 00 50 0 -50 -1 00 -1 50 0 50 0 10 00
A=0.25Y-100
y
1500
C) D emues t re algebraicament e que s ucede con la funcin de ahorro (A ) y (Y) cuando: i) La gent e decide ahorrar 75 unidades ms . 0.25Y-25= 250 0.25Y= 275
Y = 275 025 .
ii)
Y= 1, 100 La gent e decide ahorrar 50 unidades menos ent onces 0.25Y-150= 250 0.25Y= 400
Y = 400 025 .
181
Y= 1, 600
Probl ema Tres: U n t rabajador del D is t rit o federal es t obligado a gas t ar 110 p es os como cons umo neces ario fijo p ara p oder vivir. Las encues t as de ingres o y gas t o del Banco de M xico indican que p or cada 10 p es os ext ra de ingres o (Y) el t rabajador ahorra 1.50 p es os al mes (A ). Con es t os dat os Cul es la ecuacin de la funcin cons umo del t rabajador? R. Es C= 110+ 0.85Y Probl ema Cu atro: a)Exp lique clarament e la relacin ent re la funcin cons umo y la funcin ahorro en una economa, s i la funcin cons umo es C= 30+ 0.8Y Exp licacin como C+ A = Y, t enemos que a medida que aument e C dis minuy e A y vicevers a, p or cons iguient e A = 0.2Y-30; grafiquelos . b)A hora s up onga que la invers in es igual a 20, mues t re grficament e que el nivel de equilibrio de C+ I es t en el p unt o donde A = I. D emos t racin s i A = 0.2 y -30; con A = I 0.2y -30= 20 Y= 50/.2 Comp robacin con: 0.2y -30= 20 0.2(250)-30= 20 20= 20 A=I I = 20 Y= 250
X1.4.1 Aplicaciones de Eviews en la obtencin de los coeficientes de un modelo multiecuacional En la actualidad la estimacin de los coeficientes de las variables que integran un modelo multiecuacional se realiza fcilmente con la aplicacin del software llamado Econometric Views, Eviews, como se demuestra enseguida.
182
Se empieza con el encendido de la PC, enseguida se busca y accede al software Eviews, dentro del cual nos vamos en forma secuenciada a File,new, workfile,data: Start (primer ao), end( ltimo ao),ok. Con esas especificaciones vamos a quick,empty group (edit series) en la que aparece una pantalla con los aos arriba enunciados y con celdas que llenamos con los datos de la demanda, la oferta y el precio, ah mismo, una vez que capturamos los datos, vamos a name para darle un nombre al archivo, puede ser el que aparece por default:
obs 1999 2000 2001 2002 2003 2004 2005
OFERTA 11 15 17 20 25 28 28
PRECIO 5 6 6 7 8 8 8
DEMANDA 12 13 14 15 16 17 18
Con esas referencias nos vamos a la barra principal al comando objects , pulsamos new object, luego system, ok y aparece una pantalla en la que escribimos para cada una de las dos ecuaciones as: Demanda=c(1)-c(2)*precio Oferta=c(3)+c(4)*precio En esa misma pantalla est el comando estimate,pulsamos el cursor una vez y nos preguntan que mtodo de estimacin queremos usar, seleccionamos entre varios de ellos a LS, ok y aparecen los valores de los cuatro coeficientes: el de c1,c2,c3 y c4, como se muestra en la siguiente tabla. Con esos datos enseguida podemos encontrar el precio de equilibrio que iguala la oferta con la demanda.
System: MINCUADRADOS Estimation Method: Least Squares Date: 11/07/04 Time: 00:18 Sample: 1999 2005 Included observations: 7 Total system (balanced) observations 14 Coefficient C(1) C(2) C(3) C(4) 3.387097 -1.693548 -16.25806 5.370968 Std. Error 1.682653 0.242150 3.336441 0.480147 0.139566 t-Statistic 2.012950 6.993786 -4.872876 11.18609 Prob. 0.0718 0.0000 0.0006 0.0000
Determinant residual covariance
Equation: DEMANDA=C(1)+C(2)*PRECIO Observations: 7 R-squared 0.907258 Mean dependent var 15.00000
183
Adjusted R-squared S.E. of regression Durbin-Watson stat
0.888710 0.720663 1.710980
S.D. dependent var Sum squared resid
2.160247 2.596774
Equation: OFERTA=C(3)+C(4)*PRECIO Observations: 7 R-squared 0.961576 Mean dependent var 20.57143 Adjusted R-squared 0.953892 S.D. dependent var 6.654751 S.E. of regression 1.428963 Sum squared resid 10.20968 Durbin-Watson stat 2.021480
30 25 20 15 10 5 0 1999
2000
2001
2002 PRECIO
2003
2004
2005
OFERTA
DEMANDA
System: UNTITLED Estimation Method: Weighted Least Squares Sample: 1999 2005 Included observations: 7 Total system (balanced) observations 14 Coefficient C(1) C(2) C(3) C(4) 3.387097 1.693548 -16.25806 5.370968 Std. Error 1.422101 0.204654 2.819808 0.405798 0.139566 t-Statistic 2.381755 8.275159 -5.765664 13.23556 Prob. 0.0385 0.0000 0.0002 0.0000
Equation: DEMANDA = C(1) + C(2)*PRECIO Observations: 7

184
R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat
0.907258 0.888710 0.720663 1.710980
Mean dependent var 15.00000 S.D. dependent var 2.160247 Sum squared resid 2.596774
Equation: OFERTA =C(3)+C(4)*PRECIO Observations: 7 R-squared 0.961576 Mean dependent var 20.57143 Adjusted R-squared 0.953892 S.D. dependent var 6.654751 S.E. of regression 1.428963 Sum squared resid 10.20968 Durbin-Watson stat 2.021480
System: UNTITLED Estimation Method: Seemingly Unrelated Regression Sample: 1999 2005 Included observations: 7 Total system (balanced) observations 14 Coefficient C(1) C(2) C(3) C(4) Equation: DEMANDA Observations: 7 R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat 3.387097 1.693548 -16.25806 5.370968 Std. Error 1.422101 0.204654 2.819808 0.405798 0.139566 t-Statistic 2.381755 8.275159 -5.765664 13.23556 Prob. 0.0385 0.0000 0.0002 0.0000
= C(1) + C(2)*PRECIO 0.907258 0.888710 0.720663 1.710980 Mean dependent var 15.00000 S.D. dependent var 2.160247 Sum squared resid 2.596774
Equation: OFERTA =C(3)+C(4)*PRECIO Observations: 7 R-squared 0.961576 Mean dependent var 20.57143 Adjusted R-squared 0.953892 S.D. dependent var 6.654751 S.E. of regression 1.428963 Sum squared resid 10.20968 Durbin-Watson stat 2.021480
Comentarios finales: Puesto al final de cada libro es conveniente poner un eplogo que cierre la descripcin de su contenido, yo aprovecho para reiterar que esta obra fue escrita para que los alumnos a manera de autodidactas aprendan econometra, ya que hice mi mejor esfuerzo por simplificar los procedimientos matemticos, por explicar casi en palabras llanas los conceptos y
185
mtodos que esta disciplina utiliza para hacer estimaciones con M CO. M i mayor deseo es que as sea.
Curso de introduccin a la econometra: Facultad de Economa de la UNAM Dr. Genaro Snchez Barajas : Q uinto examen parcial. Nombre del alumnocalif_______ Tema: Modelos multiecuacionales basados en el sistema de ecuaciones simultneas. A.-Conteste con una X en SI cuando la afirmacin sea verdadera y tambin con una X en NO cuando la afirmacin sea falsa:
1.-Los modelos uniecuacionales sonn unidireccionales porque slo la variable regresora, X, influye en la regresada,Y: Si___; No____. 2.-En un modelo multiecuacional, por el contrario, existe la situacin en que la variable regresada, Y, influye en la regresada: SI_____;NO_____. 3.-Derivado de 2, es necesario considerar slo una ecuacin para estimar los parmetros de la poblacin : Si_____; No________ 4.-En un modelo multieccuacional el mtodo de MCO es apropiado para estimar los parmetros de cada una de las ecuaciones del modelo, porque sus estimadores son insesgados y consistentes: SI:_______; NO:___________ 5.-Para estimar los parmetros consistentes, se deben obtener primero los estimadores de las ecuaciones de forma reducida del modelo : SI:__; NO__. 6.-La IDENT IFICACION se refiere a la posibilidad de calcular los parmetros de una ecuacin estructural a partir de los coeficientes de una ecuacin de forma reducida : SI___; NO____. 7.-Una ecuacin de un sistema de ecuaciones simultneas est exactamente identificada si el nmero de variables exgenas excluidas de la ecuacin es igual al nmero de variables endgenas en la ecuacin menos 1, Est sobreidentificada o subidentificada si el nmero de variables exgenas excluidas en la ecuacin excede o es menor que el nmero de variables endgenas incluidas en la ecuacin menos 1 :: SI____; NO______: 8.-El mtodo de mnimos cuadrados indirectos, MCI, no se usa para calcular los valores de los parmetros consistentes de ecuaciones exactamente identificadas : SI____;NO_____. 9.-Los MCI suponen el uso de MCO para obtener las ecuaciones de forma reducida : del sistema, para luego usar sus coeficientes en el clculo de los parmetros estructurales:SI_____; NO____. : 10.-El mtodo de mnimos cuadrados en dos etapas,MC2E, se usa para estimar parmetros estructurales consistentes en ecuaciones sobreidentificadas. Cuando estn exactamente identificadas con este mtodo se obtienen los mismos resultados que con el MCI: SI____; NO______.
186
B. O bse rvacione s : Cada una de las respuestas correctas vale 10 puntos en escala de 0 a 100. No se puede usar la calculadora, ni las tablas estadsticas ni la bibliografa correspondiente a cada tema.
187

Econom 3

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econom 3

Cargado por

Copyright:

Formatos disponibles

Introduccin a la Econometra

o que las i son heterocedsticas. En otras palabras los i

no tienen una varianza constante, que es

Pro fesor Genaro S nchez Barajas

Pro fesor Genaro S nchez Barajas

Con esos datos procedemos a identificar la heterocedasticidad:

Pro fesor Genaro S nchez Barajas

50 40 30 20 2 1 0 -1 -2 -3 02 04 06 Residual 08 10 12 Actual 14 16 Fitted 18 20 10 0

Pro fesor Genaro S nchez Barajas

26.297940298 17.2147609506 18.9234778576

-1.29794029795 0.685239049368 0.876522142446

Pro fesor Genaro S nchez Barajas

Pro fesor Genaro S nchez Barajas

Pro fesor Genaro S nchez Barajas

Std. Error 0.616164 0.037939

t-Statistic 1.709474 23.09013

Prob. 0.1257 0.0000 14.36000 5.346692 2.271210 2.331727 533.1539 0.000000

Std. Error 3.443383 0.096213

t-Statistic 0.952250 8.674885

Prob. 0.3689 0.0000 32.75000 5.401080 4.163264 4.223781 75.25363 0.000024

Con los dos S .E. of regresin calculamos las dos varianzas y F:

Pro fesor Genaro S nchez Barajas

Varianza de residuos grandes Varianza de residuos peque os

3154 . = 6.64 0.475

Zona de rechazo de Ho:

Zona de aceptacin de Ho:

S olucin al problema de heterocedasticidad

Pro fesor Genaro S nchez Barajas

Pro fesor Genaro S nchez Barajas

Log Y1 calculada 1.8

Log Y2 calculada 3.24

Pro fesor Genaro S nchez Barajas

2.08 2.33 2.49 2.57 2.69 2.88 2.99 2.99 3.07

2.09 2.33 2.49 2.65 2.80 2.90 3.00 3.20 3.18

0.04 0.27 0.34 -0.33 -0.56 0.35 0.41 -0.54 -0.46

3.22 3.38 3.44 3.5 3.46 3.51 3.66 3.7 3.65

3.34 3.40 3.48 3.54 3.60 3.64 3.69 3.74 3.80

-0.53 0.47 0.42 0.38 -0.59 -0.42 0.51 0.50 -0.56

Y para el segundo grupo: Quick Estimate Equation: LY2 C- LX2, , ok

t-Statistic 0.894614 8.822901

Prob. 0.3971 0.0000

Pro fesor Genaro S nchez Barajas

Sum squared resid Log likelihood Durbin-Watson stat

0.023116 16.15979 2.189455

Schwarz criterion F-statistic Prob(F-statistic)

2.771441 77.84358 0.000021

Pro fesor Genaro S nchez Barajas

se define como el residuo estimado para el perodo o ao t.

Si desarrollamos el cuadrado de la frmula de d, obtenemos d= 2 2 u t + u t 1 2 u t u t 1 u

Tomando en cuanta que cuando la muestra es grande se observa que

son casi iguales ambas

Pro fesor Genaro S nchez Barajas

Pro fesor Genaro S nchez Barajas

* donde se us un esquema autorregresivo de primer orden i = t 1 + t Yt* = 1* + 2 X t* + t ,

para la primera observacin transformada de Y y X,

As, en el caso de que

1 , la autocorrelacin puede corregirse volviendo a

Pro fesor Genaro S nchez Barajas

R2 = 0.98 d = 0.69 hecho con Eviews

(1.98) (32.0) (3.33) (0.05) Que en detalle es :

t-Statistic 1.984917 32.00487

Prob. 0.0626 0.0000 103.2300 46.47964 6.605788 6.705361 1024.312 0.000000

0.981771 6.275390 708.8494 -64.05788

Pro fesor Genaro S nchez Barajas