“AÑO DE LA RECONCILIACIÓN

NACIONAL Y DEL DIÁLOGO”

UNIVERSIDAD NACIONAL DEL
CENTRO DEL PERÚ
FACULTAD DE ECONOMÍA

VIDEOS PARTE 2 (10, 11, 12, 13, 14,15, 16,17)

CATEDRA: MICROECONOMIA II

CATEDRÁTICO: TICSE

ESTUDIANTE: Estefany Gutierrez Damian

SEMESTRE: IV
1.-PRUEBA CLASICA DE PRUEBA-BOSQUEJO DE PRUEBA:

Modelo 𝑅 𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑖 𝑡

𝐸(𝑅 𝑒𝑖 ) = 𝛽𝑖𝜎 + 𝛼𝑖

 Estmacion: 𝛽̂ 𝛼̂ 𝛾̂
 Error estándar: 𝜎(𝛽̂ ) 𝜎(𝛼̂ ) 𝜎(𝛾̂)
 Prueba: 𝛼̂ , 𝑣̂ , 𝛼̂ demasiado grande
 Evaluar diagnostico SML (demasiado plano)

¿ 𝛽 vs. Caracteres? ¿ 𝛼 2 𝛽 2 Importan?

¿ 𝜎( precios del mercado ) es razonable? ¿Un modelo vs. Otro?

(Estadística vs. Pruebas informales)

E(R) vs. 𝛽 , no m

 Historia: iiD N línea de regresión

Ahora GM; BOOTSCRAP, MONTE CARLO(Ejemplo)
 Todos los métodos son básicamente iguales, de modo como se realizan y como varían:
1. Series de tiempo
2. Sección Transversal
3. FAMA-MACBETH
4. SPF-GMM

2.-SERIES DE TIEMPO Y GRS: (FAMA:Pinomalias Multifactoriales Francesas)

𝑓 𝑒𝑠 𝑅 𝑒 , 𝜎 = 𝐸(𝑓)𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛 𝑚𝑜𝑑𝑒𝑙𝑜

𝑅𝑡𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑓𝑖 + ∑ 𝑖𝑡 𝑡 = 1,2, … . 𝑇 ∀𝑖

Implícito:

𝐸(𝑅 𝑒𝑖 ) = 𝛼𝑖 + 𝛽𝑖 𝐸(𝑓)

 Estimados OLS: 𝛼̂ 𝛽̂ ; 𝜎̂ = 𝐸(𝑓)

 S.E OLS (IID WORCMM)
 Probar todo 𝛼 conjuntamente con cero
𝛼̂ = [𝛼
̂,
1 ̂
𝛼2 , 𝛼
̂, ̂𝑁 ]
3 …,𝛼

2
𝛼̂ 𝐶𝑂𝑉[𝛼 ̂,
1 ̂
𝛼2 , 𝛼
̂~𝑋
3 𝑜 𝐹 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛𝑒𝑠]
𝑇−𝑁−𝑛 ̂𝑡 𝛼̂
a) ∑ 𝑖 = 𝑖𝑖𝐷 𝑁 − 𝑁 [1 + 𝑓 ∑𝑡 𝑓 ]𝛼̂ ∑
𝐸𝑇 𝐸 (𝑅 − 𝛼 − 𝛽𝑓𝑡 0
b) 𝐺𝑀𝑀: 𝐺𝑡 (𝑏) = [𝐸 ]=[ 𝑇 ][ ]
(𝑓𝑟 ,𝐸𝑟 ) 𝐸𝑇 (𝑅𝑡 − 𝛼 − 𝛽𝑓𝑡 0
c) Regresion de pilas es fácil…!!
𝜎(𝛼̂𝛽̂ 𝛾̂, 𝛼̂ 𝑐𝑜𝑣(𝛼̂) 𝛼̂~𝑋 2 )
 MONTECARLO, BOOTSTRAP muestra finita

3.-REGRESIONES TRANSVERSALES:

1. TS 𝑅𝑡𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑖 𝑡 𝑡 = 1,2,3, … , 𝑇 ∀𝑖
𝑒𝑖
2. CS 𝐸(𝑅 ) = 𝛾 + 𝛽𝑖 𝜎 + 𝛼𝑖 𝑖 = 1,2,3, … , 𝑁

𝑦 = 𝑎 + 𝑥𝑏 +𝑐 𝑖 = 1,2,3, … , 𝑁.

 ¿Por qué? Utilizar todos los activos para estimar 𝛼

F no a 𝑅 𝑒 𝑓𝑡 = ∆𝐶𝑡
 Estimados 𝛽̂ : 0𝐿𝑆
𝛾̂, 𝜎̂, 𝛼̂ − 𝑂𝐿𝑆 𝐺𝐿𝑆 𝐶𝑆
−1 −1
𝜎̂ = (𝛽̂ , 𝛽) 𝛽̂ 𝐸𝑇 (𝑅 𝑒 ) 𝑜 (𝑝̂ cos(𝛼 −1 𝛽−1 ))
𝛼 = 𝐸𝑇 (𝑅 𝑒 ) − 𝛽̂ 𝜎̂
STD Errores/Prueba

𝛽: 𝑟𝑒𝑔𝑟𝑒𝑐𝑖𝑜𝑛𝑒𝑠 𝑔𝑒𝑛𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑒𝑠

Fue duro GMM: dificultoso ; 𝑥̂𝑖 : 𝑐𝑟𝑢𝑧 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎

𝐼𝑁 0 0 𝐸𝑇 (𝑅𝑡𝑒 − 𝑎 − 𝛽𝑓𝑡 )
[ 0 𝐼𝑁 0 ] [𝐸𝑇 [(𝑅𝑡𝑒 − 𝑎 − 𝛽𝑓𝑡 )]𝑓𝑡 ]
𝛽⁄
0 0 𝐸𝑇 (𝑅𝑡𝑒 − 𝛽𝜎)
𝑍 −1

𝐸𝑇 (𝑅 𝑇 ) = 𝛽 −1 𝛽𝜎
𝜎 = (𝛽𝛽1 )𝛽
 GMM se reduce a lo clasico
1
𝜎 2 (𝜎̂𝑂𝐿𝑆 ) = [(𝛽1 𝛽)−1 𝛽1 ∑ 𝛽 𝛽1 𝛽−1 [𝐼𝑇 ∑ 𝜎]] + 𝑐𝑜𝑣(𝜎̂𝑂𝐿𝑆 )
𝑇 𝑓
1 1
= [𝐼 − 𝛽(𝛽𝛽 −1 )−1 𝛽1 ] ∑[. ] (1 + 𝜎 1 ∑ 𝑓)
𝑇
 Test:
𝜎 1 𝑐𝑜𝑣(𝛼̂)𝛼̂~𝑋 2 , 𝑖𝑖𝐷 𝑁

4.-COMENTARIOS:

TS A 𝑅𝑡𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑡 𝑖 𝑡 = 1,2, … , 𝑇 ∀𝑖

B 𝐸(𝑅 𝑒𝑖 ) = 𝛽𝑖 𝜎 + 𝛼𝑖 𝑇 = 1,2, … , 𝑁

CS 𝑅𝑡𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑡 𝑖 𝑡 = 1,2, … , 𝑇 ∀𝑖𝛼

𝐸(𝑅 𝑒𝑖 ) = 𝛾 + 𝛽𝑖 𝜎 + 𝛼𝑖 𝑇 = 1,2, … , 𝑁

1) A es “Modelo de Variacion”
B es “Model Media”Imputado
𝑡𝑟(𝛽), 𝑡(𝛼, 𝑅 2 ) 𝐵𝑅𝐸𝑁𝑇 "𝑃𝑟𝑢𝑒𝑏𝑎"
 (𝛼̂, 𝛾 −1 , 𝛼̂ ) 𝑒𝑠 𝑠𝑜𝑙𝑎𝑚𝑒𝑛𝑡𝑒 "𝑃𝑟𝑢𝑒𝑏𝑎".
Modelo de Variacion, es un diagnostico importante pero no una “PRUEBA”

2) TS vs. CS No de beria importar a menos que el modo sea horrible asíntotas del
mismo valle
 CS: 𝑓𝐼𝑆 𝑛𝑜 𝑅 𝑒 no confies f, desea utilizar otra información de acceso
 GLS: CS=TS=iiD N MLE si 𝐹 𝑒𝑠 𝑢𝑛 𝑅 𝑒

𝑅𝑡𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑ 𝑖
𝑡

𝐸(𝑅 𝑒𝑖 ) ADDS No hay información no en f sobre (T)=𝜎

→ 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑖𝑛𝑐𝑙𝑢𝑖𝑟 𝑓, 𝑅 𝑓 𝑐𝑜𝑚𝑜 𝑠𝑢𝑗𝑒𝑡𝑜 𝑑𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝐶𝑆
 𝛼̂𝑣 𝛼̂ GRS es fácil de usar CS!! hazlo!!
−1

 Porque aun usando N iiD prueba?? GMM/fácil asimilacion!!

5.-FAMA-MACBETH:

i. TS→ 𝛽 𝑅𝑇𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑡 𝑖
ii. CS cada t 𝑅𝑇𝑒𝑖 = 𝐵𝑖𝜎𝑡 + 𝛼𝑖𝑡 𝑖 = 1,2, … , 𝑁 ∀𝑡
iii. 𝜎̂ = 𝐸𝑇 (𝜎̂𝑡 ) ̂𝛼 = 𝐸𝑇 (𝛼̂𝑡 )
̂ )
𝜌(𝜎
iv. 𝜌(𝜎 −1 ) = 𝑡 (𝐶𝑂𝑅 𝐺𝑀𝑀); 𝑐𝑜𝑣(𝛼̂, 𝛽̂ ) =
√𝑇
𝑐𝑜𝑣(𝛼̂𝑡 , 𝛽̂𝑡 )[𝛼̂, 𝑐𝑜𝑣(𝛼̂, 𝛼̂)−1 𝛼~𝑥 2 ]

𝜎̂𝛽̂

𝜎̂𝛽̂

[𝐹(𝑡) 𝑅] → 𝜎̂ ∗ 𝛽̂ ∗

Comentarios:

i. Si 𝛽 ′ constante Overtime
FMB=CS estimados
𝐹𝑀𝐵𝜎 = 𝐶𝑆𝜎 “corrección afeitada”.
ii. FMB lejos de computar a la fuerza
 iii. FMB para la regresión agrupada
𝑦𝑖𝑡 = 𝑎 + 𝑏𝑡𝑖𝑡 + ∑ 𝑡
𝑖

Que si 𝑐𝑜𝑣(∑ 𝑡 ∑ 𝑡′ ) ≠ 𝑇? Grande en nombre

→OLS consiostente, STD Errores mal

FMB para STD no errores (𝑥 ′ 𝑥)−1 𝑥1 𝜎𝑥(𝑥 ′ 𝑥)−1,

FMB fácil de manejar! muchos papeles ignoran 𝑐𝑜𝑣(∑ 𝑖 ∑ 𝑡), 𝑡 𝑓𝑢𝑒𝑟𝑎 𝑝𝑜𝑟 10

42%-Peterson.
FMB Ignorar! Variación en tiempo extra.𝑏̂ solo obtiene variación

6.-GMM Y SDF:

0 = 𝐸(𝑀𝑅 ∗ )
𝑚 = 1 − 𝑏 ′ (𝑓 − 𝐸𝑓) = 1 − 𝑏 ′ 𝑓̂
[1 = 𝐸(𝑀𝑅 𝑒 )]
𝐺𝑇 = 𝐸𝑇 [𝑅 𝑒 (1 − 𝑏𝑓̂)]
𝑑 = −𝐸(𝑅 ∗ 𝑓̂) = −𝑐𝑜𝑣(𝑅 𝑒 𝑓 ´ ) = −𝑐
min 𝐺𝑇 ´ 𝑊𝐺𝑇 → 𝑑´ 𝑊𝐺𝑇 = 0
𝑑´ 𝑊𝐸𝑇 (1 − 𝑏𝑓̂) = 0
𝑏 = (𝑐 ´ 𝑊𝑐)𝑐 ´ 𝑊𝐸𝑇 (𝑅 𝑡 )
GMM es un CS regresión de 𝐸(𝑅 𝑒 ) en 𝑐𝑜𝑣(𝑅 𝑓 , 𝑓 1 )
Pero 𝐸𝑇 (𝑓)
𝐸 (𝑓𝑅)𝑤 0 𝐸𝑇 [𝑅𝑒 − 𝑅 𝑒 [𝑓 ′ − 𝐸𝑓 ´ ]𝑏1 ] 0
[ 𝑇 ][ ]=[ ]
0 𝐼𝑛 𝐸𝑇 [𝑓 − 𝐸𝑓] 0

𝑚 = 1 − 𝑏𝑓̂ 𝑜 , 𝐸(𝑚, 𝑅 𝑒 )
𝐸(𝑅 𝑒 ) = cos(𝑅 𝑒 𝑓 ´ )𝑏
𝐺𝑀𝑀 = cos(𝑅 𝑒 𝑓 ´ ) 𝑏

7.-COMENTARIOS II:

Series de tiempo

Seccion Transversal OLS ELS

FAMA MACBETH

GMM Operación fija 𝑠 ′

i. Todo lo mismo
𝜎(. ) 𝑆𝑇𝐷 𝑒𝑟𝑟𝑜𝑟
′ −1
𝛼 𝛾 𝛼 𝐺𝑇 𝑐𝑜𝑣𝐺 𝐺𝑇 𝑝𝑟𝑢𝑒𝑏𝑎
 ii. ALL 𝛼̂ 𝛽̂ 𝜎̂ = 𝐺̂𝑟 𝑏̂
iii. Deberia dar~mismas respuestas/por lo menos
iv. Actualizar distribución teorica
v. “No rechazar”≠ “Modelo bueno”

PERDIDA DE PILOTOS ER vs. ETC

8.-PROBANDO UN MODELO vs. OTRO:

Diagnostico”

Q: 𝐸[𝑅 𝑒𝑖 ] 𝛼𝑖 ∗ 𝛽𝑖 𝐸(𝑟𝑚𝑓) + ℎ𝑖 𝐸(ℎ𝑚𝑙) + 𝑆𝑖 𝐸(𝑠𝑚𝑏)

Gota de cáncer SMB?

RESPUESTAS INCORRECTAS:

i. 𝑅𝑡𝑒 = 𝛼𝑖 + 𝛽𝑖 (𝑟𝑚𝑓)𝑓𝑡 + ℎ𝑖 (ℎ𝑚𝑙)𝑙𝑡 + 𝑆𝑖 (𝑠𝑚𝑏) + ∑ 𝑖𝑡

𝑡(𝑆𝑖 ) > 2? 𝑅 2 𝑑𝑖𝑠𝑚𝑖𝑛𝑢𝑐𝑖𝑜𝑛?
ii. 𝜎𝑆 = 0 𝑡(𝜎𝑆 ) < 2(𝑖𝑓 ) 𝑑𝑒 𝐸(𝑆𝑀𝐵) = 0 (𝑇𝑆)
¿ 𝑒𝑛 𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑝𝑟𝑒𝑐𝑖𝑜?
′ −1
iii. 𝑀𝑜𝑑𝑒𝑙𝑜 𝐴𝐺𝑅𝑆 𝛼 𝑣 𝛼 𝑒𝑠 𝑚𝑒𝑗𝑜𝑟 𝑞𝑢𝑒 𝑏
RIGHT ANSWERS:

1. Hace 𝛼 ′ 𝑣 −1 𝛼 subir si caemos SMB [𝑚𝑖𝑠𝑚𝑜 𝑉𝑆] + 𝑝𝑒𝑟𝑚𝑖𝑡𝑖𝑟 𝛽𝑖 , ℎ𝑖 , 𝑇𝑜𝑐ℎ

2. 𝑚 = 1 + 𝑏(𝑚𝑖𝑡 + 𝑏𝑚 ℎ𝑛 + 𝑏𝑠 𝑠𝑚𝑏)
𝐸(𝑅 𝑒 ) = 𝑐𝑜𝑣(𝑅𝑡𝑒 , 𝑟𝑚𝑠 𝑡 )𝑏𝑤 + ⋯ + 𝑐𝑜𝑣(𝑅 𝑒 , 𝑟𝑚𝑠 𝑡 )𝑏𝑠
¿El factor ayuda a valorar los proyectos?

PROBLEMA: Factores correlacionados ↔ Solo relacionados 𝛽 ↔ 𝑏 ≠ 𝜎

Muchas preguntas

 𝑠𝑚𝑏𝑡 = 𝛼𝑠 + 𝛽𝑟𝑚𝑠𝑡 + ℎ𝑠ℎ𝑚𝑙𝑡 + ∑𝑡 𝑠 𝛼𝑠 = 0

 𝑠𝑚𝑏𝑡 = 𝛼𝑠 + ∑𝑡 𝑠
EJEMPLO:

𝑅 𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑅𝑡𝑒 + 𝑚𝑖 𝑅𝑡𝑒 + ∑ 𝑡
𝑖
𝐸(𝑅 𝑒 )𝑀𝑆𝐹𝑇 > 0! 𝑡(𝑀𝑖 ) > 0! 𝑅 2 ↑ !
𝐴𝑁𝑆𝑊𝐸𝑅 𝑅̂ 𝑒 𝑀𝑆𝐹𝑇 − 𝛽 𝑀𝑆𝐹𝑇 𝑅𝑒𝑚 𝑠𝑖 𝐶𝐴𝑃𝑀 𝐸(𝑅̂ 𝑒 𝑀𝑆𝐹𝑇
)=0