EL SUPUESTO DE NORMALIDAD

NOTA:

EN LA APLICACION DE MCO PARA ESTIMAR EL MODELO

CLASICO DE REGRESION LINEAL NO SE REQUIERE DE NINGUN
SUPUESTO ACERCA DE LA DISTRIBUCION DE PROBABILIDAD
DE LOS RESIDUOS Ui.
DE HECHO, CON RESPECTO A LOS RESIDUOS SOLO HEMOS
ASUMIDO QUE:
E(Ui) = 0

MEDIA DE RESIDUOS CERO

V (Ui) = 2

RESIDUOS HOMOSCEDASTICOS

COV(Ui,Uj) = 0

NO AUTOCORRELACION EN RESIDUOS

AHORA, PARA HACER INFERENCIA ESTADISTICA NECESITAMOS QUE SE

CUMPLA EL SIGUIENTE SUPUESTO: LAS PERTURBACIONES SIGUEN UNA
DISTRIBUCIN NORMAL
ESTE SUPUESTO ES NECESARIO SOLAMENTE PARA LLEVAR A CABO
INFERENCIA, NO PARA EFECTOS DE ESTIMACIN.

U X ~ N(0, 2u)
LO QUE VAMOS A HACER SE RESUME EN EL SIGUIENTE ESQUEMA.
OBJETIVO: ESTIMAR
FRM Y USARLA PARA
HACER INFERENCIAS
ACERCA DE LA FRP.

ASUMIR NORMALIDAD:
U NID (0, 2)
(MODELO CLASICO DE
REGRESION NORMAL)
J. Ramoni Perazzi
ECONOMETRIA I

TEST DE
HIPOTESIS SOBRE
PARAMETROS
POBLACIONALES

ESPECIFICAR LA
DISTRIBUCION DE
PROBABILIDAD DE U DADO
s SON UNA
QUE LOS
FUNCION DE LOS ERRORES
Captulo 4.

DESDE EL PRINCIPIO HEMOS ESTADO DICIENDO QUE, UNA VEZ ESTIMADA

LA FRM, UTILIZAREMOS LA INFORMACION QUE ELLA NOS PROPORCIONA
PARA CONOCER ALGO SOBRE LOS VERDADEROS PARAMETROS
POBLACIONES. ENTONCES, CABE PREGUNTARSE LO SIGUIENTE:
A) SI QUEREMOS HACER PRUEBAS DE HIPOTESIS SOBRE LOS s,
PARA QUE NECESITAMOS SUPUESTOS ACERCA DE LOS
RESIDUOS?
B) POR QUE PARTICULARMENTE LA DISTRIBUCION NORMAL Y NO
CUALQUIER OTRA?
RESPONDAMOS ENTONCES POR ORDEN:
1) POR QUE HACEMOS SUPUESTOS SOBRE LOS RESIDUOS:
PLANTEARNOS UNA HIPOTESIS ACERCA DE 2, EQUIVALE A HACERNOS
UNA PREGUNTA ACERCA DE MISMO. POR EJEMPLO: SERA EL VALOR
DE 2 IGUAL A 2, O SERA DIFERENTE (O MAYOR, O MENOR)?
H0 : 2 = 2
H1 : 2 2
EL PROCESO DE PRUEBA DE HIPOTESIS NO ES MAS QUE DARLE
RESPUESTA A ESTA PREGUNTA, CON CIERTO MARGEN DE CERTEZA,
UTILIZANDO ESTADISTICOS DE PRUEBA QUE SIGUEN ALGUNA
DISTRIBUCION ESPECFICA (NORMAL).
2 (QUE ES
LA INFORMACION NECESARIA PARA ELLO LA SUMINISTRA
LO QUE CONOCEMOS), QUIEN DEBE SEGUIR TAMBIEN UNA
DISTRIBUCION (NORMAL), DE LO CONTRARIO NO PODRIAMOS UTILIZAR
LOS ESTADISTICOS DE PRUEBA NI LAS TABLAS DE PROBABILIDAD
2 SI
NECESARIAS. PERO, COMO SABER QU DISTRIBUCION SIGUE
TENEMOS UN SOLO VALOR? NO SE PUEDE.
2 ES UNA FUNCION DE LOS RESIDUOS, PUES
PERO SABEMOS QUE
DE HECHO SE OBTUVO A PARTIR DE LA MINIMIZACION DE LA SUMA DE
RESIDUOS AL CUADRADO. Y RESIDUOS SI HAY VARIOS!!!!! TANTOS
COMO OBSERVACIONES TENGAMOS.

ENTONCES PODEMOS ASUMIR UNA DISTRIBUCION PARA LOS

S SE COMPORTEN DE IGUAL
RESIDUOS Y CONFIAR EN QUE LOS
MANERA. ESO ESTA BIEN, PERO NO CUALQUIER FUNCION TIENE ESTA
CAPACIDAD. DE ALLI, EN PARTE, QUE ASUMAMOS NORMALIDAD.

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

2) POR QU LA DISTRIBUCION NORMAL:

o ES RELATIVAMENTE SIMPLE Y AMPLIAMENTE CONOCIDA.
o TEOREMA CENTRAL DEL LMITE: LA DISTRIBUCIN DE UNA SUMA DE
NORMALES TIENDE A UNA NORMAL A MEDIDA QUE EL NMERO DE
OBSERVACIONES AUMENTA.
n

Normal

i 1

Normal

CualquierDistribucin

Normal

i 1

o CUALQUIER FUNCIN LINEAL DE VARIABLES NORMALES ES

TAMBIEN NORMAL. ASI, SI LOS RESIDUOS SON NORMALES, LOS
s
ESTIMADORES MCO TAMBIN SON NORMALES, ES DECIR LOS
SON NORMALES.
UN

UN

f( U) N

= f( U) N

PROPIEDADES DE LOS ESTIMADORES MCO BAJO NORMALIDAD:

, 2

2 )
2
2

, 2

1 )
1
1

SON INSESGADOS
VARIANZA MINIMA (EN COMBINACION CON EL ANTERIOR, EFICIENTES)
CONSISTENTES:
AUMENTA

A MEDIDA QUE n

DE ACUERDO CON LAS PROPIEDADES DE UNA DISTRIBUCION NORMAL, LA

VARIABLE Z SIGUE UNA DISTRIBUCION NORMAL ESTANDAR

2 0,1)
Z = (
2 - 2) /

TEOREMA DE RAO: BAJO NORMALIDAD, LOS ESTIMADORES MCO TIENEN

VARIANZA MINIMA EN LA CLASE DE LOS ESTIMADORES INSESGADOS,
LINEALES O NO. SON MEI.
PRUEBAS DE NORMALIDAD
J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

1. HISTOGRAMA DE LOS RESIDUOS:

2. GRAFICO DE NORMALIDAD

3. TEST FORMALES: SHAPIRO- WILK, JARQUE-BERA, ETC

a.

ESTABLECER HIPTESIS A PROBAR:

H0: RESIDUOS SON NORMALES
H1: RESIDUOS NO SON NORMALES

b.

SELECCIONAR ESTADSTICO DE PRUEBA: JB, W, KS,

BARTLET
JB = n [

S2
(K 3) 2
+
]
6
24

S: COEFICIENTE DE ASIMETRIA
K: COEFICIENTE DE CURTOSIS
J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

W
S2: VARIANZA DE LA VARIABLES
a:VALORES TABULADOS CONOCIDOS
c.

APLICAR REGLA DE DECISIN: RECHACE H0 Si

o

VALOR CALCULADO > VALOR TABULADO

SI P-VALOR (Prob de error Tipo I) < (Nivel de
significacin)

30

Series: Residuals
Sample 1990M01 2005M08
Observations 188

25
20
15
10
5

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

1.35e-13
4.281830
951.9587
-611.0267
260.5278
0.358989
4.249145

Jarque-Bera
Probability

16.26088
0.000294

0
-500

-250

250

500

750

1000

NOTA: LA VIOLACION DEL SUPUESTO DE NORMALIDAD NO AFECTA LA

ESTIMACION, SOLO LA CONFIABILIDAD DE LAS PRUEBAS DE HIPOTESIS.
CONSECUENCIAS DE LA NO NORMALIDAD DE LOS RESIDUOS:

LOS ESTIMADORES MCO SIGUEN SEIENDO MELI BAJO LOS SUPUESTOS

DEL MCRL

LAS CONCLUSIONES OBTENIDAS A PARTIR DE LAS PRUEBAS DE

HIPOTESIS PUEDEN NO SER VALIDAS, YA QUE SI LOS RESIDUOS NO
SON NORMALES, LOS ESTIMADORES MCO TAMPOCO LO SON

MEDIDAS CORRECTIVAS PARA EL PROBLEMA DE NO NORMALIDAD:

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

AUMENTAR EL TAMAO DE MUESTRA

TRANSFORMACION DE VARIABLES

EJEMPLOS:
EJEMPLO 1: TASA DE HOMICIDIOS (POR CADA 100000 HAB) EN FUNCION
DEL INGRESO FAMILIAR (BASE 1949, MILES DE $).
Datos McManus sobre efecto de pena de muerte en base a la informacin de 44 estados de Estados Unidos
para 1950.
Dependent Variable: M
Method: Least Squares
Date: 10/15/08 Time: 10:31
Sample: 1 44
Included observations: 44

C
Y
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

18.53404
-7.373276

2.398150
1.315176

7.728475
-5.606305

0.0000
0.0000

0.428032
0.414413
3.415854
490.0586
-115.4607
31.43065
0.000001

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

5.402909
4.463791
5.339121
5.420221
5.369197
2.218640

20
15
10
12

4
0
-4
-8
5

10

15
Residual

J. Ramoni Perazzi
ECONOMETRIA I

20

25
Actual

30

35

40

Fitted

Captulo 4.

Series: Residuals
Sample 1 44
Observations 44

7
6
5
4
3
2
1

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

-1.30e-15
-0.531500
8.826560
-5.795466
3.375901
0.564370
2.740889

Jarque-Bera
Probability

2.458855
0.292460

0
-6 -5 -4

-3 -2 -1

CONCLUSION: RESIDUOS SON NORMALES

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

EJEMPLO 3: PIBPC (GDP) EN FUNCION DEL INDICE DE ALFABETISMO DE

ADULTOS PARA 118 PAISES DEL MUNDO (LIT, %)
Dependent Variable: GDP60
Method: Least Squares
Sample: 1 118
Included observations: 111
Excluded observations: 7
Variable
Coefficient
C
-0.106947
LIT60
3.783523
R-squared
0.543265
Adjusted R-squared
0.539075
S.E. of regression
1.193842
Sum squared resid
155.3533
Log likelihood
-176.1597
Durbin-Watson stat
2.019515

Std. Error
t-Statistic
0.203125 -0.526506
0.332284
11.38642
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.5996
0.0000
1.812595
1.758457
3.210085
3.258905
129.6505
0.000000
8
6
4
2

-2

2
1
0
-1
-2
25

50

75

Residual

100

Actual

Fitted

16

Series: Residuals
Sample 1 118
Observations 111

12

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

Jarque-Bera
Probability

0
-2

-1

8.00E-17
-0.075792
3.779094
-1.888684
1.188403
0.872374
4.007085
18.76993
0.000084

Datos tomados de DATA APPENDIX FOR ECONOMIC GROWTH IN A CROSS SECTION OF

COUNTRIES ROBERT J. BARRO y HOLGER C. WOLF.

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

10

EJEMPLO 4: PNB DE VENEZUELA (GNP) EN FUNCION DE INVERSION (I).

Dependent Variable: GNP
Method: Least Squares
Sample: 1950 1992
Included observations: 43
Variable
Coefficient
C
-13.39667
I
5.094750
R-squared
0.978320
Adjusted R-squared
0.977791
S.E. of regression
122.1316
Sum squared resid
611560.9
Log likelihood
-266.6096
Durbin-Watson stat
1.180371

Std. Error
t-Statistic
20.72992 -0.646248
0.118447
43.01303
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.5217
0.0000
378.1005
819.5263
12.49347
12.57539
1850.121
0.000000

5000
4000
3000
2000
600

1000

400

200
0
-200
-400
50

55

60

65

70

Residual

75

80

Actual

85

90

Fitted

24

Series: Residuals
Sample 1950 1992
Observations 43

20
16

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

12
8
4

Jarque-Bera
Probability

0
-200

200

400

-5.02E-14
4.171653
583.9779
-313.2392
120.6689
2.283688
14.96450
293.8515
0.000000

600

Fuente: BCV

J. Ramoni Perazzi
ECONOMETRIA I

Captulo 4.

11