Está en la página 1de 2

HIPÓTESIS DE ALMON

Lo esencial es entender que en vez de hablar de triángulos, rectas…, podemos hablar de


curvas, y por lo tanto los retardos se podrían representar mediante una curva.
Este número enorme de retardo podríamos resumirlo en dos o tres (el número de retardos
elegidos dependerá del grado de la función que queramos utilizar)
- POLINOMIO DE GRADO 2

𝑎𝑧 + 𝑏𝑧 2

- POLINOMIO DE GRADO 3 𝑎𝑧 + 𝑏𝑧 2 + 𝑐𝑧 3
Lo que representamos con esta función es el comportamiento de los  𝛽𝑖 = 𝑎𝑧 + 𝑏𝑧 2 +
𝑐𝑧 3 , y por tanto, los parámetros los podríamos resumir en (a, b, c).
Como caso particular de esto podríamos encontrarnos que la función la podríamos
representar como i=az  esta relación sería de tipo lineal.
Si suponemos que este modelo pudiera tener ordenada en el origen, en el caso de
suponer que esta relación es del tipo lineal, podríamos encontrarnos con que todos
ellos se resumen en una recta 𝜷𝒊 = 𝒎 + 𝒂𝒛
La hipótesis de ALMON establece que entre los parámetros de los distintos retardos
de las variables se puede establecer una función polinomica de un determinado
grado
 En el ejemplo de grado 2 𝛽𝑖 = ∅0 + ∅1𝑖 1 + ∅2𝑖 2
 En el ejemplo de grado 3 𝛽𝑖 = ∅0 + ∅1𝑖 1 + ∅2𝑖 2 + ∅3𝑖 3
Resumiendo:
MODELOS CON RETARDOS EN LOS REGRESORES (Distintas formas de estimación)
1. MODELOS EN LOS QUE TRUNCAMOS EL NÚMERO DE RETARDOS
a. El número de retardos viene determinado fundamentalmente por un
mecanismo exploratorio
Yt =  + β0Xit + ⋯ + β12X12t12 + εt
b. La elección del número de retardos viene condicionada por el valor de
Sbi y t, pero también por el número de observaciones que tengamos.
c. NO EXISTE UNA REGLA PARA ESCOGER EL NÚMERO DE RETARDOS, sólo
hay que tener en cuenta que el número de grados de libertad debe
de ser amplio.
2. MODELOS EN LOS QUE ESTABLECEMOS UNA LEY DE FORMACIÓN DE LOS
RETARDOS
a. KOYCK
b. Progresión aritmética decreciente
c. Distribución rectangular
d. Polinomios con retardos: los PR puede ser acertado cuando tenemos 50
o más retardos
e. V invertida.
MODELOS CON RETARDOS EN LA VARIABLE Y (MODELOS AUTORREGRESIVOS
𝑌𝑡 =  + 𝛽0𝑋1𝑡 + 𝛿1𝑌𝑡1 + 𝛿2𝑌𝑡2 + 𝛿3𝑌𝑡3 + 𝜀𝑡
𝑌𝑡 − 1 =  + 𝛽0𝑋1𝑡 − 1 + 𝛿1𝑌𝑡 − 2 + 𝛿2𝑌𝑡 − 3 + 𝛿3𝑌𝑡 − 4 + 𝜀𝑡 − 1

Si sustituimos en el primer modelo tenemos como variable explicativa una variable que es
aleatoria, y esto puede provocar problemas en el modelo, como es la existencia de
correlación entre las variables explicativas y la perturbación. Por tanto, MCO no es
apropiado cuando las t están correlacionadas entre sí, es decir, cuando t=f (t-1)
NOTA: Un modelo autorregresivo se puede estimar por MCO y ofrecernos buenos
estimadores, para eso es necesario tener un gran número de información muestral, no se le
puede pedir otras propiedades como que sean insesgados y óptimos.