Está en la página 1de 10

REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA


UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA
DE LA FUERZA ARMADA NACIONAL
UNEFA
NUCLEO ARAGUA

Problemas de
especificacion

Profesora:
Economia Social
Seccion: LES 101
noviembre-2015

INTRODUCCION

La primera especificacin de un modelo de regresin implica tomar varias


decisiones, a menudo previos a la confrontacin de este con los datos, algunas
de estas decisiones son.
. Eleccin de la variable dependiente
. Eleccin de las variables explicativas
.Medicin de las variables
. Forma funcional de la relacin estabilidad
.Especificacin de las propiedades del trmino de error.
tenemos modelos de regresin donde se satisfacen una serie de hiptesis
bsicas , algunas estas hiptesis pueden no mantener si las decisiones
adoptadas son errneas o porque simplemente , dadas las caractersticas de
la variables del modelo y de los datos a utilizar, estas hiptesis pudieran no
ser adecuadas. Esto puede influir negativamente en las propiedades del
estimador utilizado y en la inferencia, siendo las decisiones posteriores sobre el
modelo errneo
En muchos casos la evaluacin de un modelo puede estar influenciado por esta
primera especificacin por ello, es importante disponer de instrumento o
contraste que nos permitan hacer un diagnostico sobre si son aceptables
ciertas decisiones o hiptesis adoptadas. Estos instrumentos pueden ser un
anlisis grafico de los residuos o contraste estadstico donde se tratan de
detectar problemas de mala especificacin.
En este tema nos vamos a centrar en ilustrar las implicaciones que puedan
tener decisiones emisiones en trminos de la eleccin de las variables
explicativas o represores para ello vamos proponer que conozcamos modelo
correcto y consideremos separadamente las situaciones

ERRORES DE ESPECIFICACION
La hiptesis bsica del modelo de regresin lineal mltiple es que la variable
respuesta Y se puede expresar como una combinacin lineal de K variables
explicativas ms un termino de error .Se supone que el termino de error . Se
supone que el trmino de error es independiente de las K variables
explicativas o, equivalente. Que cualquier otra variable explicativa no inducida
en el modelo y que pueda explicar a la variable Y es independiente de las
variables relevantes , bien porque no se puede medir. Otras veces incluyen
errneamente variables irrelevantes o se especifica una relacin lineal que no
es. Todo ello conduce a especificar incorrectamente el modelo Y , es importante
determinar la influencia de tales especificaciones incorrectas tenerlas en
cuenta en los resultados.
Se consideran los siguientes errores de especificacin al ajustar un modelo de
regresin mltiple:
Omitir una variable relevantes, algunas variable regresara de gran importancia
no se ha incluido en el modelo Este problema produce, que los estimadores
mnimos cuadrticos sean sesgados y con mayor varianza salvo que la variable
excluida sea ortogonal a las variables regresaras ya que entonces en
influencia en la variable Y es mayor.
Como R es muy grande los intervalos de confianza de los parmetros del
modelo sean mayores de los que deberan y los contrastes individuales de la T
llevaran a considerar como no significativos a variables regresaras que si lo son
.
Incluir una variable irrelevante que no incluye en la variable respuesta Y o que
la informacin que proporciona sobre esta variable ya est contenida.

Problemas de especificacin
Especificacin.: se refiere a la forma en que esta formulado el modelo
En este trabajo nos preocupamos con dos tipos de mala Especificacin, la
primera que ocurre cuando se omiten variables relevantes de la regresin
lineal y la segunda que ocurre cuando se agregan variables irrelevantes a la
ecuacin.
Variables Omitidas:
Considrese primero el caso en el que una variable. se omite sin darse cuenta
de una especificacin de modelo verdadera esta dado por la ecuacin
yi = B2X2i + B3X3i +ei
Mientras que el modelo de regresin esta dado por
Yi = B*2X2i +*i
Supuesto:
La Especificacin del modelo:
El supuesto es que se conoce la especificacin
del modelo de regresin.
y= xB + e
Tipos de errores que pueden cometerse en la e specificacion dela ecuacion
estimada
1. Omisin de variables relevantes
2. Inclusin de variables superfluas.
3. Mala especificacin.
Problema (si no se cumple)
Mala Especificacin:

Ho: Mala especificacin


Bajo esta mala especificacin los mnimos cuadrados ordinarios ,seran
inconsistentes ,por lo que las inferencias no sern validas.
solucin del problema:
Si se comprueba que existe el problema .Se pueden probar otras
especificaciones para el modelo (analizando los datos o revisando la teora).
Anlisis de Especificacin:
La lista de variables que el directivo de una empresa o el investigador de un
centro de investigaciones decide incluir como explicativas puede ser erronea
por distintas razones.
Omisin de variables relevantes: en algn caso puede omitirse una variable
explicativa
Relevante por carecer de datos fiables acerca de la misma o por ignorar su
relevancia.
Inclusin de variables irrelevantes : ocurre cuando se incluye
,equivocadamente ,como explicativas variables que no lo son.
Forma funcional incorrecta : se da cuando la relacin especificada entre la
variables endogena y las variables explicativas no es la adecuada.
Omisin de variables relevantes
Supongamos que el verdadero modelo que describe el comportamiento de la
variable Y es ,
en forma matricial:
Y=XB+U; con E(U) = 0nx1 Var (u)= &2lnxn.
El investigador, sin embargo, se propone a estimar el modelo:
Y=X0B0+U0,
Con Xo una matriz con dimensin n x r siendo r menor K .Estamos , pues ,ante
la omisin de las variables relevantes.
Errores en forma funcional:
Diremos que se comete un error en la forma funcional cuando se especifica
una relacin (que puede ser lineal, cuadrtica, cubica, exponencial,
logartmica, entre otras) y la verdadera relacin es diferente de la especificada.

Una especificacin incorrecta en la forma funcional del modelo puede


considerarse, en algunos casos, como la omisin de variables relevantes .
Entonces, las consecuencias son las
mismas que las que provoca la 0mision de variables relevantes, es decir , los
estimadores sern sesgado e inconsistentes .
En general, un error en la forma funcional nos puede llevar a obtener termino
de perturbacin no esfrico (ie..) con heteroscedasticidad y/ o auto
correlacin), as como al hecho de que la distribucin se aleje de la distribucin
del trmino de perturbacin del modelo correctamente especificado .En
consecuencia , es importante disponer de algn mtodo para detectar un
posible error en la especificacin de la forma funcional. Uno de los contraste
mas utilizados es el contraste Reset, propuesto por Anscombe y Ramsey en los
aos sesenta.
Pruebas de especificacin .:
Acabamos de ver que las consecuencias de los errores de especificacin en
econometra pueden ser muy graves. La falla en incluir una variable relevante
en un modelo de regresin puede conducir a estimadores sesgada e
inconsistente, mientras que la inclusin de variables inapropiadas lleva a una
prdida de eficiencia. Es obvio que es importante poder probar si un modelo
elegido implica errores de especificacin. En esta seccin exponemos e
ilustramos varias pruebas que son aplicables a errores de especificacin.
Comenzamos con algunas pruebas implican variables omitidas y que se
utilizan en el modelo de regresin lineal basico.Luego consideraremos una
prueba para errores de mediacin que puede usarse cuando se piensa que el
termino del error esta correlacionado con una o ms variables independientes,
o cuando otras suposiciones del modelo bsico puede fallar.
Prueba para ver si las variables deberan omitirse en el modelo de regresin
lineal.
Anteriormente se han expuesto las pruebas para los errores de
especificacin .Ahora , suponga que creemos que el modelo apropiado esta
dado por :
Yi = BiX1i + B2X2i +B3X3i +ei
Si estamos convencidos de que la variable X1 debera estar en el modelo pero
no estamos seguro respecto a X2 y X3 , entonces , una prueba apropiada es la
prueba F que implica pruebas conjuntas de varios coeficientes
log Y = a1 + a2 log X2 + a3 log X3 + e

La prueba F evala la hiptesis nula de que B2= B3 =O contra la alternativa


de que cualquiera o ambas no sean cero preguntando si la suma de
cuadrados del error asociada con el modelo restringido ( en el que se
sostiene la hiptesis nula ) es significativamente mayor que la suma de
cuadrados del error asociada con el modelo no restringido que se muestra en
la ecuacin.
Yi =B1 + X1i + B2i + B3i + ei
Del mismo modo, si X3 fuera la nica variable incierta , una prueba t de la
hiptesis nula de que B3= O podra hacerse en forma directa usando la
produccin de regresin cuando se estima la ecuacin .
El mtodo mas general para hacer las mismas pruebas que no utiliza
mnimos cuadrados y no se basa en la normalidad del trmino el error
( cuando el tamao de la muestra es grande )es la prueba de razn de
verosimilitud .
En la mayor parte de las situaciones, en especial en aquellas que implican
tamaos de muestra grande, las pruebas F y las pruebas de proporcin de
probabilidad generalidad general resultados muy parecidos. Dependiendo del
software que se est usando, la prueba de proporcin de verosimilitud puede
ser mas difcil de aplicar, pero es mas atractiva cuando estn implicadas
muestras grandes debido a que no se requiere una suposicin de normalidad.

Qu es especificar?
Especificar consiste en detallar cuidadosamente el problema que se quiere
resolver. Cuando en la descripcin del problema a tratar faltan detalles nos
encontramos, en general, que no sabemos exactamente qu problema debemos
resolver. En estos casos, donde aparece una ambigedad en la descripcin, o bien
necesitamos informacin adicional o bien ``inventamos'' los detalles que
desconocemos. Si no hay manera de obtener esa informacin adicional, solo
queda la opcin de completar lo que falta, lo que a la postre puede ser desastroso.
Si la misma persona va a ser responsable de la descripcin del problema y de su
posterior resolucin mediante un programa de computador, la especificacin
precisa es la base para desarrollar posteriormente el programa. Si la
especificacin viene fijada por alguien (el cliente), la especificacin cumple,
adems, la labor de ser el ``contrato'' entre el cliente y el desarrollador.
Las ventajas de una buena especificacin son las siguientes:
La especificacin permite ``describir'' el comportamiento que se espera del
programa.
La especificacin permite ``calcular'' el comportamiento real del
programa. De esta manera, la especificacin cumple la labor de
comprobacin del resultado final del programa. En otras palabras, los

cmputos del programa deben cumplir la especificacin, con lo que


tenemos un mtodo de comprobar su correccin.
Finalmente, una utilidad adicional es la de servir de documentacin, pues
las especificaciones expresan con mucha precisin los puntos ms
complicados y oscuros del programa.
variables
Definiciones web
1.
En programacin, una variable est formada por un espacio en el sistema
de almacenaje y un nombre simblico que est asociado a dicho espacio. Ese
espacio contiene una cantidad o informacin conocida o desconocida, es decir un
valor. ...
http://es.wikipedia.org/wiki/Variables