Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejercicios Resueltos de Econometría-César Pérez PDF
Ejercicios Resueltos de Econometría-César Pérez PDF
10), donde R? es el R° de la
regresi6n auxiliar de la variable explicativa jen funeidn de las demas variables explicativas.
Valores propios A de X'X cercanos a cero 0 indice de condicién (Ayéx/Ays)'” mayor que 30.
El contraste de Farrar-Glauber basado en el estadistico G = -[T-1-2k+5)/6]L|R. que bajo
Ia hipstesis mala de no muticolinealidad es una Chi-cuadrado con k(k-1)/2 grados de libertad. 7
‘sel tamaiio muestra, k-I el niimero de variables explicativas y Ry su matriz de correlaciones,
Soluciones para la multicolinealidad
Entre las soluciones més comunes para la multicolinealidad tenemos:
Ampliar la muestra o transformar las variables (por ejemplo a ratios o diferencias).
Suprimir algunas variables con justificacién estadistica y econémica.
(© MES Paranintow 55ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS
© Sustitucién de las variables explicativas por sus componentes principales mas
significativas (puntuaciones).
* Utilizar el modelo en diferencias vigilando la autocorrelaci6n.
‘© Usar la regresién en cadena, que ofrece como estimadores de los pardimetros (X’X+cl)' X’Y
siendo ¢ una constante adecuada. La matriz de varianzas covarianzas adopta la forma
o'(X'X+cl)X’X(X'X+cl)". En la prictica suele tomarse como un valor entre 0,01 y 0,1
‘que hace que el ajuste sea bueno en cuanto a R’ y significatividad individual y conjunta,
2.4 NORMALIDAD DE LAS PERTURBACIONES
2.4.1 El problema de la falta de normalidad en los residuos
Una de las hiptesis importantes a cumplir en el modelo de regresién miitiple es la
normalidad de los residuos. Aunque dicha hipétesis no es necesaria para la obtencién de los
estimadores de los parimetros del modelo de regresiGn por el método de los minimos cuadrados
‘ordinarios, s{es estrictamente necesaria para la realizaciGn de la inferencia en el modelo,
Para probar la normalidad de los residuos puede utilizarse cualquier contraste de ajuste a
‘una distribucidn normal, por ejemplo el contraste de la Chi-cuadrado 0 el contraste de
Kolmogorov-Smimov. No obstante, existen también contrastes especificos para comprobar el
ajuste de un conjunto de datos a una distribucién normal, como pot ejemplo Contraste de
normalidad de Shapiro y Wilks y los contrastes de normalidad de asimetrfa, curtosis_ Jarque-Bera.
Contraste de normalidad de Shapiro y Wilks
El contraste de Shapiro y Wilks mide el ajuste de los residuos de la regresién a una
recta al dibujarla en un papel probabilistico normal. Se rechaza la normalidad cuando el ajuste
es bajo, que corresponde a valores pequefios del estadistico del test. Dicho estadistico toma la
expresion:
donde ns*=(.x, -¥)’, h es ni2 sin es par y (n-1)/2 sin es impar. Los coeficientes a,, estén
tabulados y x,) es el valor ordenado en Ia muestra que ocupa el lugar j. La distribucién de w
est tabulada, y se rechaza la normalidad cuando su valor ealculado a partir de la muestra es
menor que el correspondiente valor critico dado en las tablas. De todas formas, puede
utilizarse el criterio del p-valor, rechazando la hipétesis nula de normalidad de los datos al
nivel cuando el p-valor es menor que @ y acepténdola en caso contratio.
Contrastes de normalidad de asimetria, curtosis y Jarque-Bera
Estos contrastes se basan en los coeficientes de asimetria y curtosis muestrales (la
muestra son los residuos del modelo). Si la hipétesis de normalidad es cierta, el estadistico del
contraste, que es el coeficiente de asimetria muestral o% = ms /m,"", tiene una distribucién
asintéticamente normal de media cero y varianza 6/n, siendo mr y m; los momentos muestrales
centrados en la media de drdenes 2 y 3 respectivamente. Tenemos:
re)
96 + © ITES-ParanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Este estadistico a permite contrastar la hipstesis de que los residuos provienen de
una distribucién con simetrfa normal (asimetria = 0) y se basa en que si la hipstesis de
normalidad es cierta, el coeficiente de asimetrfa estima un parémetro de la poblacién que es
cero (el coeficiente de asimetria de una distribucién normal es cero). Para realizar el contraste
se halla el valor k tal que P(d% > k) = @ siendo cel nivel de significacién establecido para el
contraste. Si el valor del estadistico para los residuos es mayor que k se rechaza la hipétesis
nula de simetrfa, y por supuesto la de normalidad.
De Ia misma forma, si la hipotesis de normalidad es cierta, el estadistico del contraste,
que es el coeficiente de curtosis muestral a= ms/m,*-3, tiene una distribuci6n asint6ticamente
normal de media cero y varianza 24/n, siendo mz y my los momentos muestrales centrados en
Ia media de 6rdenes 2 y 4 respectivamente
aa Be-a-oio |
Este estadistico @ permite contrastar Ia hipstesis de que los residuos provienen de
una distribueién con curtosis normal (curtosis = 0) y se basa en que si la hipétesis de
normalidad es cierta, el coeficiente de curtosis estima un pardmetro de la poblacién que es
cero (el coeficiente de curtosis de una distribucién normal es cero). Para realizar el contraste
se halla el valor & tal que P(a > k) = @ siendo cel nivel de significacién establecido para el
ccontraste, Si el valor del estadistico a para los residuos es mayor que k se rechaza la hipstesis
nula de curtosis cero, y por supuesto la de normalidad.
Para muestras grandes, el contraste de Jarque-Bera usa los dos estadisticos anteriores
mediante la consideracién del estadistico de Bowman-Shelton siguiente:
a a
ay
[f-E)2
Es posible utilizar para estos contrastes (como siempre) el criterio del p-valor,
rechazando Ia hipétesis nula de normalidad de los residuos al nivel & cuando el p-valor es
menor que cen alguno de ellos, y aceptindola cuando el p-valor es mayor que cen los dos.
Como criterio més suave sobre 1a normalidad, suele considerarse normal 1a poblacién
‘cuya muestra presenta coeficientes de asimetria y curtosis comprendidos entre ~2 y 2
2.4.2 Soluciones para la falta de normalidad en los residuos
Habitualmente la falta de normalidad en los residuos suele provenir de la presencia de
datos atipicos que generan una distribucién mas apuntada o no simétrica. Estos problemas en los.
residuos suelen aparecer cuando se omiten variables relevantes en el modelo o cuando existe falta
de linealidad en Ia especificacién del mismo. Si se arreglan previamente los problemas citados,
suelen solucionarse los problemas de normalidad residual. Cuando los residuos no son normales por
Ja presencia de més de una moda, los datos suelen provenir varias poblaciones, lo que puede
arreglarse con la introduccién de variables ficticias en el modelo para las diferentes poblaciones, En
‘otras ocasiones, Ia solucién para la falta de normalidad es la transformacién adecuada de las
variables para conseguirla, por ejemplo la transformacién de Box Cox y sus derivados.
(© MES Paranintos 57ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS
2.5 NO LINEALIDAD Y ERRORES DE ESPECIFICACION
La técnica de los minimos cuadrados ordinarios MCO es el caballo de batalla de los
econsmetras y se utiliza de modo rutinario en el anélisis de una gran variedad de conjuntos de
datos. Bajo los supuestos exigidos al modelo lineal, los estimadores mfnimo cuadréticos
oseen las propiedades deseables y, por ello, pueden emplearse con fiabilidad. Sin embargo,
nos enfrentamos a una pregunta crucial. {Cémo saber si los supuestos que ocultan los MCO
son vilidos para un conjunto determinado de datos? {Cémo conocer las propiedades del
‘término de perturbacién no observable?%,Cémo saber qué variables incluir en la matriz X y en
qué forma funcional hacerlo? Cuando alguno de los supuestos subyacentes carece de validez,
{qué sucede con los estimadores MCO? {Siguen siendo titiles o resultan confusos? Existen
estimadores y procedimientos de inferencia alternativos que resulten mas apropiados bajo
supuestos alternativos? En este capitulo y en los siguientes responderemos a estas preguntas
El error de especificacién aparece cuando alguno de los supuestos esté equivocado,
Ciertos errores de especificacién tienen implicaciones menores; otros, sin embargo, las tienen
muy graves. Resulta tremendamente importante estar alertado de posibles errores de
especificacién y verificar su presencia. En este capitulo se estudia cémo muchas veces es
necesario utilizar y desarrollar especificaciones y procedimientos de inferencia més complejos
‘que los que subyacen en la técnica de los MCO.
La especificacién del modelo lineal se centra en el vector de términos de perturbaciones w
y en la matriz X. Recordemos que los supuestos esenciales del modelo lineal
y= XB-+u relativos a las perturbaciones son: u, son indepedientes idénticamente distribuidas
N@.?) i= 1, .... m (perturbaciones normales de ruido blanco), homoscedasticidad E(u’)
diaglo,... 2) 0 matriz de varianzas covarianzas residual constante), endogeneidad (E(X;u,) = 0
para todo i = 1... KY $= Ivy M0 incorrelacién entre las perturbaciones y las variables
independientes) y ausencia de autocorrelacién (E(u,u,.,)=0 (8 #0) 0 ausencia de comrelaciones
centre perturbaciones adyacentes). La heteroscedasticidad (ausencia de homoscedasticidad) es muy
frecuente en aplicaciones con datos de corte transversal, aunque puede encontrarse también en
aplicaciones con datos de series temporales. En las aplicaciones de series temporales se dan fuertes
correlaciones entre perturbaciones adyacentes y, tal vez, correlaciones menores entre
perturbaciones més alejadas entre s{ (autocorrelacién). De modo similar, y cuando trabajamos con
datos de corte transversal, es posible que ciertas unidades compartan perturbaciones comunes.
También existen en el modelo lineal supuestos relativos a la matriz X, entre los que
destacan su rango pleno (ausencia de multicolinealidad), la inclusién y no exclusién de
variables relevantes en X (ausencia de errores de especificaci6n en la seleccién de las variables
explicativas) y problemas de especificacién de una forma funcional incorrecta para el modelo.
Otro supuesto comiin es la estacionariedad de las variables del modelo. La mayoria
de los procedimientos de inferencia tradicionales suponen que las variables son estacionarias.
Cuando no se da este caso nos enfrentamos a procedimientos de inferencia no esténdar y nos
introducimos en el campo de las variables integradas, la cointegracién, los modelos de
correccién del error, etc., que se tratarén més adelante
También pueden existir problemas de especificacién con f. Las especificaciones del
modelo lineal asumen de forma implicita que f es un vector constante, tanto en el conjunto de
observaciones actuales como en otras observaciones muestrales posibles. Estamos ante a
cespecificacién de ausencia de cambio estructural que se tratara en un capitulo posterior.
58 + © ITES-PaanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Las pricticas econométricas habituales formulan un modelo basado en teorfa o en
anteriores descubrimientos econométricos, estiman los pardmetros del modelo mediante los
datos muestrales relevantes disponibles, y examinan los estimadores resultantes y estadisticos
asociados con el fin de juzgar la validez del modelo especificado. Dicho examen suele
centrarse en el ajuste global, en Ia concordancia con los signos de unos coeficientes
previamente supuestos, en la significacién estadfstica de los coeficientes y en la comprobacién
de la autocorrelacién de las perturbaciones. Si el modelo cumple dichos critetios
satisfactoriamente, Ia nueva ecuacién pasaba a engrosar la literatura de la materia y podria
utilizarse para realizar predicciones con datos externos a la escala temporal o al rango
empirico de Ia muestra. En caso de que el modelo se clasifique de insatisfactorio, el
nvestigador seguiré intentando hallar la reformulacién que cumpla los requisitos necesatios,
Actualmente existen tendencias basadas en comprobar de todas las formas posibles las
especificaciones y que s6lo deberdn utilizarse aquellas que sobrevivan a este proceso de
prueba y que correspondan a un modelo econémico razonable. Asi se llega a una auténtica
baterfa de pruebas de diagnéstico que no pueden utilizarse ni de forma automética ni rutina
ya que requieren una dosis de juicio, intuicién econémica o sentido comin, Algunos de los
ccontrastes resaltan un error o errores de especificacién en particular. Otros indican que
determinada especificacién no funciona bien sin sefialar explicitamente un problema preciso.
Finalmente, puede ocurrir que sobrevivan a este proceso de prueba o que algunas
cespecificaciones superen un cierto tipo de pruebas estadisticas pero no otras.
2.5.1 Error de especificacion en la seleccin de las variables explicativas
Las especificacién mds importante del modelo lineal relativa a la matriz X es que sea
tuna matriz no estocéstica de rango pleno igual a k (ausencia de multicolinealidad). Pero puede
haber posibles problemas adicionales con X, entre los que destacan:
1, Exelusi6n de variables relevantes (variables omitidas). La teorfa econsmica ensefia que
cel ingreso y los precios afectan conjuntamente a la demanda, por lo tanto, si aislamos el
ingreso de la ecuacién de 1a demanda no esperamos obtener un buen estimador para la
clasticidad del precio. Sin embargo, y en situaciones més complicadas, no suele ser tan
evidente averiguar cudles son Ias variables a incorporar en una relacidn, lo que puede
gar a convertirse en un importante problema de especificacién,
2. Inclusién de variables irrelevantes (redundantes). Caso contrario al anterior. Ahora, la
hipétesis incluye variables que no deberian estar presentes en la ecuacidn. Este hecho tiene
ciertas consecuencias sobre los procedimientos de inferencia aunque, en general, suelen
ser menos graves que aquellas relacionadas con la exclusi6n de variables relevantes,
Existen contrastes para observar si un modelo adolece de variables omitidas. El test de
Ja razén de verosimilitud para variables omitidas permite aiadir un conjunto de variables a
una ecuaci6n existente y contrastar si constituyen una contribucién significativa a la
explicacién de la variable dependiente. Este contraste tiene como hipétesis mula que el
cconjunto regresores adicionales no son conjuntamente significativos.
‘También existen contrastes para detectar si un modelo presenta variables redundantes.
El test de la razén de verosimilitud para variables redundantes permite contrastar si_un
subconjunto de variables de una ecuacién existente son conjuntamente significativas, © mejor
dicho, si los coeficientes de determinadas variables del modelo van a tener valor cero, en cuyo
‘caso esas variables pueden ser eliminadas de la ecuacién del modelo,
© MES Paranintos 58ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS
El test de Wald para contrastar restricciones en los coeficientes de un modelo
también puede utilizarse para detectar cuando una variable es redundante. Basta comprobar
cuando puede considerase cero su coeficiente de modo formal a través del test citado.
También es posible aplicar métodos de inclusién o exclusién automética de variables
en el modelo, Partiendo de un conjunto inicial de k variables, se trata de no incluir nuevas
variables irrelevantes en la definicién del modelo ni omitir variables adecuadas. El método
més rudimentario serfa efectuar todas las regresiones posibles partiendo del conjunto més
amplio de variables candidatas en el modelo y elegir la mejor con las variables que sean
significativas. No obstante existen métodos automatizados que realizan esta tarea. El método
de seleccién hacia delante (método forward) permite partir de un conjunto minimo de
variables en Ia regresidn e ir incluyendo variables adecuadas en el modelo de forma sucesiva
‘comprobando la significatividad del nuevo coeficiente, El método de seleccién hacia atrds
(método backward) parte de 1a regresién con todas las variables y va eliminando las no
significativas por orden de significatividad hasta encontrar un modelo adecuado con todas sus
variables lo suficientemente significativas. El método paso a paso (método stepwise) es un
método de selecci6n hacia adelante que comprueba en cada paso, no sélo Ia significatividad
del nuevo coeficiente, sino también la de las variables incorporadas en los pasos anteriores.
2.5.2 Error de especificacién en la forma funcional
Puede darse el caso de que las variables incluidas en un modelo sean las correctas
pero la forma funcional lineal que las relaciona sea incorrecta. A veces, el contexto de modelo
lineal es suficiente para manejar el problema, pero en ocasiones no puede sostenerse la
linealidad y estamos ante problemas de no linealidad.
Una relacién Y = f(X,,X) puede especificarse como Y = 8, + B,X,+B,X,+u
0, como Y=, +f,X,+8,X,+7,X} +y3X}+(X,X,)+u. La segunda ecuacién
‘permite tanto una respuesta cuadritica a los regresores como un efecto de interaccién. El efecto de
interaccién se basa en una nueva variable, el producto de los dos regresores. Por lo tanto, el efecto
esperado de un cambio unitario en X sera, +2y, + OX, dependiendo pues de fi; y de los
niveles de X2 y Xs. Del mismo modo, el efecto esperado de un cambio unitario en Xs dependers tanto
del nivel de Xp, como del de Xs. Cuando el error de especificacién consiste en utilizar la primera
‘ecuacién en lugar de la segunda, aquél se corrige fiicilmente aftadiendo los términos X}, X}, y
(X,X,). En otros casos, serd necesaria una especificacién intrinsicamente no lineal,
Para detectar problemas de especificacién en la forma funcional suelen utilizarse los
grificos de los residuos, que, ante la presencia de no linealidades, normalmente presentan
tendencias que indican su falta de aleatoriedad. Los altos grados de autocorrelacién también
son indicadores de la posible presencia de mala especificacién funcional en el modelo,
Asimismo, es ttl realizar la representacidn de los gréficos de los residuos contra las variables
explicativas y predichas con la finalidad de comprobar que son aleatorios. La falta de
aleatoridad en estos grificos puede indicar la presencia de un problema de no linealidad 0 de
mala especificacién funcional del modelo,
La solucién para los problemas de mala especificacién del modelo pasa por introducir
variables ficticias o por la definicidn alternativa de la ecuacién del modelo baséndose en la
tendencia observada en los graficos residuales citados anteriormente.
60+ © ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Los errores de especificacién debidos a la formulacién incorrecta de Ta ecuacién de un
modelo de regresi6n lineal pueden contrastarse formalmente a través del contraste RESET de
Ramsey. Partiendo de que cualquier funcién puede ser aproximada por polinomios del orden
adecuado, se puede introducir en el modelo de regresién términos con las potencias sucesivas y
los productos eruzados de las variables explicativas. El contraste de Ramsey realiza un test para
‘comprobar si los coeficientes de las potencias y productos eruzados incluidos en el modelo son
‘cero, en cuyo caso se podrfa aceptar Ia forma funcional lineal del mismo. El contraste RESET de
Ramsey sirve para detectar, adems de una forma lineal incorrecta, cualquier error de omisién o
Ja presencia de correlaciones entre variables explicativas y la perturbacién.
2.6 _EXOGENEIDAD Y REGRESORES ESTOCASTICOS
Un supuesto importante del modelo lineal es que fos regresores no son estocdsticos (no
son aleatorios). Esta hipétesis, junto con las relativas al error o perturbacién, implica la
cexistencia de independencia entre dicha perturbacién y las variables explicativas. Sin embargo
hay modelos en los que la variable endégena depende de ella misma retardada o de variables
cuya medicién presenta algiin error. En estos casos aparecen dependencias entre Ia perturbacién
y las variables explicativas (regresores ex6genos) que deben analizarse para no invalidar las
propiedades que cumplen los estimadores por mfnimos cuadrados ordinatios, El estimador
MCO es sesgado en estos casos, pero segtin sea la dependencia puede ser consistente 0
inconsistente. También ocurre lo mismo en los modelos en que se cometen errores de medida
¢en las variables provocados por inobservabilidad, mediciones repetidas, etc.
2.6.1 El método de las variables instrumentales
El método de variables instrumentales (VI) permite obtener estimadores consistentes
de Jos parémetros en situaciones en que MCO es inconsistente (omisién de variables
relevantes, regresores ex6genos, errores de medida o simultaneidad)
Supongamos que tenemos un vector Z de variables explicativas aleatorias. Si las
variables Z son independientes de la perturbacién u (E(u|Z) = E(u) = 0 y Bluu’\Z = E(uu’)), la
estimaciGn del modelo se realiza mediante MCO. Pero si las variables aleatorias Z no son
independientes de u se usa el método de las variables instrumentales, consistente en sustituir
Jas variables probleméticas de Z por las denominadas instrumentos muy correlacionadas con
cllas e incorrelacionadas con uw. Después se aplica MCO,
Es necesario ser muy cuidadoso con la eleceién de cada instrumento, ya que no es
evidente ver que esti incorrelacionado con el error. Comprobar que el instrumento esta
correlacionado con la variable explicativa a la que sustituye (C(Z,X) # 0) puede comprobarse a
partir de una muestra, Basta plantear el siguiente modelo en forma reducida:
X=atmZty
estimarlo por MCO y contrastar:
Hya,
versus Hm, #0
En el modelo de regresi6n miltiple con variable instrumental Z para Xy
Y=A+BX,+BX +e
E(e)=0,C(X,,€)=0,C(X,,6)40
C(Z,2)=0
(© MTES-Paraninto« 61ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS
Ja forma reducida seré:
x,
Lt MX,+MZ+v
Para que Z sea un instrumento vélido sera necesario que
7,40
2.6.2 Elestimador de minimos cuadrados en dos etapas MC2E
Consideramos el modelo:
Y=a+BX,+BX,+€
C(X,£)40
Supongamos que disponemos de dos posibles variables instrumentales Z; y Z2 que
cumplen (la C indica correlacién)
C(Z,,£)=0,C(Z,,£)=0
El Estimador de Minimos Cuadrados en 2. Etapas (MC2E) emplea como instrumento
una combinacién lineal de Z; y Z2y se obtiene de la siguiente forma:
1° Etapa: Se estima por MCO Ia forma reducida del modelo:
x,
Mt WL, + ML, + 1X, +0
2° Etapa: Se estiman @ f,, y f, por MCO en la regresion de ¥ sobre X, y Xz
2.6.3 El contraste de Hausman
El contraste més usual para estudiar Ia exogeneidad de los regresores es el contraste
de exogeneidad de Hausman. Bajo a hipétesis nula se supone que el regresor no es
estocéstico, mientras que la alternativa establece lo contrario. El contraste compara los
estimadores de los pardmetros del modelo obtenidos por minimos cuadrados ordinarios y por
variables instrumentales. Bajo el supuesto de que el regresor no es estocéstico (hipstesis mula),
los estimadores obtenidos por ambos métodos son consistentes, mientras que bajo la hipstesis
alternativa (regresor estocéstico) sélo el estimador de variables instrumentales mantiene esta
propiedad. Cuanto mayor sea la diferencia entre las estimaciones de los parémetros por ambos
métodos, mayor evidencia existiré en contra de la hipdtesis mula, es decir, mayor evidencia de
presencia de regresores estocésticos,
El contraste de Hausman puede realizarse alternativamente mediante regresiones
auxiliares. Se parte de un modelo con una sola variable explicativa cuyo cardcter estocéstico
estamos estudiando Y = fh + fix + € El contraste de Hausman es equivalente a contrastar la
significatividad individual de Ia variable w en Ia regresiOn auxiliar ¥ = A + x + Bute,
donde w son los residuos de la regresién de la vatiable x sobre su variable instrumental
utilizada z(u = x,-(@, + @z,)).
62+© ITES ParentePROBLEMAS
MODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
2.1. Se trata de explicar la cantidad demandada QI del bien 1 en funcidn de su precio PI, del nivel
de renta disponible YD y de los precios P2 y P3 de dos bienes alternativos mediante el
modelo:
Q1=b,PI P2> P3* YD*
Se dispone de los siguientes datos:
Pl
10000
3915
10526
11335
11233
10293
9877
11133
11201
12083
10818
11203
11465
1744
12485
PR
10000
9787
904s
9420
ous
e434
8442
7987
8064
5962
‘nor
3234
7589
m4
6636
P
10000
9176
10358
10466
10331
11965
10930
Bid
13540
14590
14677
13761
15285
14957
17088
YD
10000
113
11853
13331
13368
16132
16693
18800
13913
20827
21682
211
2113
23425
24216
a
10000
11932
9958
9987
11509
10622
134d
10413
10513,
9427
11199
umd
14097
13353,
9422
PL
10242
‘9705
10282
11290
ais
ommT
11740
11230
10971
9640
10930
11742
9908
11600
12269
P
8464
9483,
11166
9466
3685
7617
8018,
8037
asiL
T168
5104
7696
7997
6547
433
P
8585
‘9983
‘9807
10010
12901
11830
14591
11038.
13316
15322
14025
13023
14246
16598
18204
YD
10778
11696
R716
13474
1554
164d
18173
13874
19280
20878
21780
22231
23119
24195
25495
ra
9x74
9804
11733
10095
9566
10781
10131
11597
10564
12541
9301
10845
13655
9382
1734
Ajustar de forma razonable el modelo analizando especialmente la heteroscedasticidad.
SOLUCION: El primer paso para trabajar con este modelo es linealizarlo aplicando
logaritmos, con lo que se transformaré en el modelo:
Log(Ql) = Log(b,) + b:*Log(P1) + bs*Log(P2) + by*Log(P3) + bS*Log(¥D) + u
Realizaremos en primer lugar el ajuste por minimos cuadrados de nuestro modelo. Esta
tarea puede automatizarse con el software econométrico Eviews introduciendo los datos en un
fichero de trabajo (2-Lwk1), cargéndolo en el programa usando File —> Open — Eviews
Workfil
y eligiendo el fichero en la ventana Open. Al pulsar Abrir se carga en memoria el
fichero. Si queremos ver el contenido del conjunto de datos bastard con seleccionar todas las
variables del modo habitual en Windows, hacer clic con el botn derecho del ratén sobre la
seleccién y elegir Open — As Group. Se ve asi el contenido de todas las vatiables del modelo
‘como un grupo (Figura 2-1)
Para realizar el ajuste MCO, se elige Quick —» Estimate Equation (Figura 2-1), se
escribe la ecuacién del modelo a ajustar en el campo Equation Specification de la solapa
Specification, se elige Least Squares en el campo Method para ajustar por mfnimos cuadrados
(Figura 2-2) y se hace elie en Aceprar. Se obtienen los resultados de la Figura 2-3
Inicialmente el ajuste parece correcto, pues hay significatividad al menos al 93% (p-valores
de Ja T menores que 0,07) de todos los parémetros y también hay fuerte significatividad global (p-
valor de la F casi
Watson se acerca mucho a 2. Quizés el R° sea algo bajo, pero no drésticamente (65,4%).
nulo). Por otra parte no hay autocorrelacidn, ya que el estadistico de Durbin-
© MES Paranintos 68ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS
Fieimeclte Pers eeler
a
Bs
es [Rcinecome) tratenitme fee on] st Nason) ner Sacer eal lsc
32. Fae = 3 a ca
Figura 2-1
a
aunts
ess Somes wT =]
|
Figura 2-2 Figura 2-3
Pueden representarse los residuos contra los valores predichos para analizar la posible
heteroscedasticidad, Para ello se calculan los valores predichos eligiendo Proc —» Forecast en la
pantalla Equation (Figura 2-4) y rellenando la pantalla Forecast como se indica en la Figura 2-5
(El vector LOGqIf contiene las predicciones de la variable dependiente). A continuacién se elige
Quick + Graph — Scatter (Figura 2-6) y se rellena la pantalla Series List como se indica en la
Figura 2-7. Al pulsar OK se obtiene la Figura 2-8 que también presenta una estructura poco
aleatoria de sus puntos, lo que indica presencia de problemas de heteroscedasticidad.
Para detectar qué variables son las responsables de 1a posible heteroscedasticidad
realizamos los graficos de residuos contra las cuatro variables explicativas. Para ello elegimos
Quick —» Graph — Scatter (Figura 2-6) y rellenamos la pantalla Series List sucesivamente como se
indica en las Figuras 2-9, 2-11, 2-13 y 2-15. Al pulsar OK se obtienen las Figuras 2-10, 2-12, 2-14
y 2-16. Se observa que la menos aleatoria es la relativa a YD, ya que aumenta la dispersién del
‘error al ir de izquierda a derecha y presenta un ajuste bueno a una recta paralela al eje X; por
tanto no tiene estructura aleatoria,
(64 © ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
oui © .06a1
copy SEN bans ee fume) st tet
Ger) esa Stee “tis Sa
sera Sauer Sites ears Suet
ste) tres Ghwet Gee fae
oe ee |
Detonvit Voiere Frost) Oommnre
Figura 2-4
2oees0) Sms O0oTs
Sieso amen oom
ers
Rsquoee en spender
AdinelRowaed OSHS SO capenerar 0121897
SEovepesson ODUM Auskerinconoe -21tTs
Sim sane id 0157 Senex een” SIRE
Loghiaino’ rare Fema Nera
Circntasen st LOBIS® Poot) DONTE
ae
Ubtet seis, rups, anda see expen
[LOG teed
Figura 2-8
© MTES-Paranintos 65ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
a TT
eet ses coups
{Losi} resid
sor eres exrstiors
Ca re
Figure 29 Figura 2-10
Series List
tot eres coupe ans expessne
LOGPA esd 7
Figura 211
Series List
Figura 2 13
Unf ses. runs. nde ses expen
(LOGO) esd
Figura 2-15 Figura 2-16
(66 + © ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
La variable YD es la candidata a provocar los problemas de heteroscedasticidad, pero
para estar més seguros utilizaremos un contraste formal, por ejemplo el contraste de Glesjer.
Para ello realizamos una regresién miltiple de Abs(RESID) contra Log(¥D) rellenando la
pantalla Equation Estimation obtenida con Quick —> Estimate equation) como se indica en la
Figura 2-17. Al pulsar Aceptar se obtienen los resultados de la Figura 2-18.
Suto tkbenarncatsatiea'
Lost
ieee Was
aon St
Figure 217 Figura 2-18
Todos los coeficientes resultan significativos al 94% (p-valores menores que 0.06) y
el modelo global tambifién es significativo (p-valor de la F menor que 0,5), Por tanto tenemos
que rechazar Ja nulidad de cualquier coeficiente incluida la constante, Como, segin el
contraste de Glesjer, la hipstesis de homoscedasticidad es equivalente a la hipétesis de
pendiente nula en este modelo, hay heteroscedasticidad seguin YD.
Ahora resta Ia tarea de estimar el modelo inicial con heteroscedasticidad. Para ello
observamos en Ia figura de YD contra los residuos, que la dispersién residual es ereciente con
YD, lo que nos permite suponer como modelo para varianza residual 0? = o *(log(YD))’, lo
{que nos permitir estimar el modelo con heteroscedasticidad mediante minimos cuadrados
ponderados usando como variable de ponderacién. Vlog(YD). Para ello rellenamos la solapa
Specification de 1a pantalla Equation Estimation (obtenida con Quick —> Estimate equation)
‘como se indica en la Figura 2-19. La solapa Options se rellena como se indica en la Figura 2-20
marcando Ia opeién Weighted LS/TLS y situando en el campo Weigth la variable W/log(YD). Al
pulsar Aceprar se obtienen los resultados de la Figura 2-21
Cicer" Malian
elcome
perry
Setar ‘Games
‘ana 3 Om
least unmecon
j=)
Figura 2-19
Figura 2-20
(© MTES-Paranintos 67ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
‘perder Var
3 LOG)
Mano: Least Squares
Date C6/1405 Te: 01:27
Suge 130
\ielgring sere VLOVO)
Varabe sent Se Ewer Stats
c emae 2as3 seme D007
Logen Sssieoe G2nzer> 4s0s5 | comma
Looe — Osue Ciaces aus | Ooms
Coops) © asus Giasist 2oures Coase
(ewe branes Gttsera “Garson
Weighed Satis
Required ‘OSISI0 Mean dependentvar 9254372
fijused Raquored 0520859 SD dependestvar 0.268570
SE ctrgosvon” 0075/29 Akake mio ctenan 2172308
Logkeihned| 372340) Psttste 1207766
DuorWeteon ste! Tosios2 Probate) 1000013
Unwed Sates
Require ‘OSSD Mean dependent var 925
Agiudresqunes O72 pean O17
Figura 2-21
Se observa que el ajuste ponderado es bueno y que los parémetros estimados difieren
levemente de los obtenidos antes de corregir Ia heteroscedasticidad. Ha mejorado R° y las
significatividades de los parémetros estimados también han mejorado. El modelo estimado es
cl siguiente
Log(Q1) = 8,6887 — 0,8846Log(P1) + 0,5494Log(P2) — 0,3384Log(P3) + 0,7246Log(YD) + u
Mediante un estudio con datos de las Comunidades Auténomas espafiolas referentes a 1991, se
‘rata de estimar la relaci6n entre el nivel de empleo (medido por las medias anuales de ocupados
en cada comunidad en miles de personas) y el PIB (medido por el valor afiadido bruto al coste
de Jos factores en las comunidades). Los datos se encuentran en el archivo 2-2.wfl. Estudiar los
problemas posibles de heteroscedasticidad en el modelo y resolverlos de la forma més adecuada
SOLUCION: Realizaremos en primer lugar el ajuste por minimos cuadrados de nuestro modelo.
Esta tarea puede automatizarse con el software econométrico Eviews utilizando los datos del
fichero de trabajo (2-2.wf2), cargéndolo en el programa usando File > Open —> Eviews Workfile... y
cligiendo el fichero en la ventana Open. Al pulsar Abrir se carga en memoria. Si queremos ver el
contenido del conjunto de datos bastard con seleccionar todas las variables del modo habitual en
Windows, hacer clic con el bot6n derecho del rat6n sobre la seleecidn y elegit Open —> As Group. Se
ve asf el contenido de todas las variables del modelo como un grupo (Figura 2-22),
Para realizar el ajuste MCO, se elige Quick —» Estimate Equation (Figura 2-22), se
escribe la ecuacién del modelo a ajustar en el campo Equation Specification de la solapa
Specification, se elige Least Squares en el campo Method para ajustar por minimos cuadrados
(Figura 2-23) y se hace elic en Aceptar. Se obtienen los resultados de la Figura 2-24
(68 + © ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Satin trace
Figura 2-29
Figura 2-24
Inicialmente el ajuste presenta no significatividad acusada de la constante y una
significatividad muy alta tanto conjunta como de la variable empleo. Por otra parte parece que
no hay autocorrelacién, ya que el estadistico de Durbin-Watson no se aleja demasiado de 2. El
R’ también es muy alto (96%).
Probaremos ahora si hay problemas de heteroscedasticidad. Para ello aplicamos el
contraste de Goldfed-Quandt, que tequiere la ordenacién previa de forma ascendente de las
variables del modelo segtin los valores de la variable que provoca la heteroscedasticidad (en
nuestro caso empleo). Para ello utilizamos Proc —» Sort Current page (Figura 2-25) indicando
able de ordenaci6n en la pantalla Sort Workfile Series (Figura 2-26).
Sort Workfile Series
Sort key(s)
[ereted
Enter ane ot mete eeries names
of series exoressions
Seat oder
ascending
Obeseending
Figura 2-25 Figura 2-26
(© MTES-Paraninfos 68ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
‘Ahora se ajusta el modelo con las primeras (1-c)/2 observaciones de la muestra ordenada
con ¢ = n/3 = 18/3 = 6 Se tiene que (n-c)?2 = (18-62 = 6, con lo que la primera submuestra
cconstaré de las primeras 6 observaciones. El ajuste del modelo con estas 6 observaciones se realiza,
‘con Eviews mediante Quick —» Estimate Equation y rellenando el campo Equation Specification
de la solapa Specification como se indica en la Figura 2-27. Se elige Least Squares en el campo
‘Method para ajustar por minimos cuadrados, en el campo Sample se sia el rango muestral 1 6 y
se hace clic en Aceptar. Se obtienen los resultados de la Figura 2-28.
Passel falinelnens Raveena
Figura 2-27 Figura 2-28
A continuacién se ajusta el modelo con las iitimas (7-c)/2 observaciones de la muestra
ordenada, es decir con la tiltimas (n-c)/2 = (18-6)/2 = 6 observaciones, es decir de la 13 a la 18. El
ajuste del modelo con estas 6 observaciones se realiza con Eviews mediante Quick —» Estimate
Equation y rellenando el campo Equation Specification de la solapa Specification como se indica
en la Figura 2-29, Se elige Least Squares en el campo Method para ajustar por minimos cuadrados,
cen el campo Sample se sitéa el rango muestral 13 18 y se hace clic en Aceprar. Se obtienen los
resultados de la Figura 2-30.
(ex)
Figura 2-29 Figura 2-30
Para obtener el valor del estadistico del contraste de Goldfeld-Quandt, se dividen los valores
de las sumas de cuadrados residuales de las dos regresiones anteriores =2.92E+12/8,04E+10 usando
Ia linea de comandos de Eviews (Figura 2-31). El resultado (36,3184) se obtiene en Ja linea de estado
de la parte inferior de la pantalla (Figura 2-31). Ahora hay que calcular el valor de la funcién de
distribucién de una F de Fisher Snedokor ((n-c)/2, (n-c)/2-k) en el punto 36,3184. Se escribe en la
linea de comandos =@FDIST(36.318444) cuyo valor es 0.002115 (Figura 2-32). Como
(0,002115<0,05 se rechaza la hipétesis nula de homoscedasticidad. Hemos detectado asf formalmente
Japresencia de heteroscedasticidad,
7000 ITES-PacanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
in ican ta ica 39 ona
Pesto bar nc iee ers eberisbess el |
Figura 2 31 Figura 2 32
Para ajustar correctamente el modelo en presencia de heteroscedasticidad utilizaremos
el método de estimacién de White. Para ello rellenamos la solapa Specification de la pantalla
Equation Estimation (obtenida con Quick —> Estimate equation) como se indica en la Figura 2-
33. La solapa Options se rellena como se indica en la Figura 2-34 eligiendo la opeién White en
el campo Heteroskedasticity consistent coefficient covariance. Al pulsar Aceptar se obtienen los
resultados de la Figura 2-35. Se observa que la significatividad de la constante ha mejorado y
que el resto de Jos indicadores de ajuste del modelo son buenos: K® muy alto, estadistico de
Durbin Watson cereano a 2 y criterios de informacién de Akaike y Swartz con valores bajos.
atic tonsa
Skevoee
ogre, | on
a : Sa
emer a wan SSE
= Bacau Mn ee Di oer ot
Gs) eee
Figura 233 Figura 2-34
Fe )Prockouec) (nnt INemelrronse) Eematelrorecesstatelecite)
Tepe
Bat os
Ssioseo “eos oom
Tem prada SOE
Sum squss rend Sima crtenon” — 39.41043
Duforanaoon sat Frobrcsiteie) OAD
Figura 2-35
© MES Paraninfos 71ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
>2.3. El conjunto de datos 2-3.wfl contiene informacién agregada relativa al consumo final de las
familias residentes (¥) y la renta bruta disponible de las mismas (X) por Comunidades Aut6nomas
para el aio 1991. Con vistas a una posible construccién de grandes superficies, un grupo
‘empresarial quiere conocer como se explica el consumo final de las familias en funci6n de su renta
bbruta disponible. Analizar e! modelo salvando los posibles problemas de heteroscrdasticidad.
SOLUCION: Se trata de ajustar de forma razonable el modelo siguiente:
Y= f+ BX+u
Realizaremos en primer lugar el ajuste por mfnimos cuadrados ordinarios de nuestro
modelo cargando el fichero 2-3.wfl mediante File —> Open — Eviews Workfile... y eligiendo el
fichero en la ventana Open. Al pulsar Abrir se carga en memoria el fichero. Para realizar el ajuste
MCO, se elige Quick —» Estimate Equation, se escribe la ecuaci6n del modelo a ajustar en el
‘campo Equation Specification de la solapa Specification, se elige Least Squares en el campo
Method para ajustar por minimos cuadrados (Figura 2-36) y se hace clic en Aceprar. Se
obtienen los resultados de la Figura 2-37,
i
ete Fiano ‘aged pes
tea 8
‘
Figura 2-36 Figura 2-37
Inicialmente el ajuste parece correcto, pues hay significatividad al menos al 99% (p-valores
de la T menores que 0.01) de todos los pardmetros y también hay fuerte significatividad global (p-
valor de la F casi nulo). Por otra parte no hay auiocorrelaci6n, ya que el estadistico de Durbin-
‘Watson se acerca mucho a 2. El R’ es muy alto (superior al 99%),
Pero dado que estamos trabajando con datos de corte transversal siempre existe el
peligro de la heteroscedasticidad. Para detectar inicialmente Ia posible heteroscedasticidad
realizamos el gréfico de residuos contra la tinica variable explicativa, que I6gicamente seria la
responsable de la posible heteroscedasticidad. Para ello elegimos Quick > Graph — Scatter
(Figura 2-38) y rellenamos la pantalla Series List como se indica en la Figura 2-39. Al pulsar OK se
obtiene Ia Figura 2-40, Se observa que la distribucién de los puntos del grifico no es aleatoria.
Ello nos lleva a ensayar contrastes formales de heteroscedasticidad.
Utilizaremos inicialmente el contraste de White consistente en efectuar una regresién
de los cuadrados de los residuos MCO sobre todas las variables independientes del modelo,
sus cuadrados y sus productos cruzados de dos en dos, La homoscedasticidad se acepta al 95%
silos p-valores de la Fy de los términos eruzados son mayores que 0,05.
7200 ITES-PacanntoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
tf sees coups ander sti expessns
fe resio
Figura 2-39 Figura 2-40
Eviews permite realizar el contraste de White de heteroscedasticidad desde la. pantalla
Equation mediante View — Residual Tests — White Hetereroskedasticity (cross terms) (Figura 2-41).
Se obtiene la Figura 2-42 en la que se observa que los p-valores de la Fy de los términos eruzados son
_menores que 0,05, lo que nos lleva a aceptar formalmente la presencia de heteroscedasticidad al 95%.
Be Ens 13h
oars
Pr
ebayer | Crdopeeich =
= espe tay a
| ste tence outer)
Figura 2-41 Figura 2-42
© MTES-Paranintos 73ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Adicionalmente podemos utilizar el contraste de Breusch-Pagan, que se realiza
obteniendo los tesiduos del ajuste del modelo y considerando los cocientes g, entre los
cuadrados de cada residuo del modelo original (RESID"2) y la estimacién MV de la varianza
del error (suma de los cuadrados de los residuos/n = 1,08E+11/18=6000000000). Al realizar la
regresi6n entre las variables g, y las variables culpables Z; (en nuestro caso s6lo la variable X)
més la constante, la cantidad Q = SCE/2 se distribuye segtin una Chi-cuadrado con p-1 = 1
grados de libertad bajo la hipstesis nula de homoscedasticidad. SCE es la varianza explicada de
la regresi6n anterior (suma de cuadrados explicados), Para realizar esta regresiOn con Eviews, se
elige Quick — Estimate Equation, se escribe la ecuacién del modelo a ajustar en el campo
Equation Specification de 1a solapa Specification, se elige Least Squares en el campo Method
para ajustar por minimos cuadrados (Figura 2-43) y se hace clic en Aceptar. Se obtienen los
resultados de la Figura 2-44,
Paste eel exerci)
Soe
tae 2 arin HE Bema ee
woe Survscvred ee 1252627 Schwarz etnce
Uubieeen st_“T7ei_ Fan
=)
Figura 2-43 Figura 2-44
La varianza explicada de la regresiGn anterior se calcula como SCE = SCT ~ SCR =
SCRAI-R’) ~ SCR = 19.99527/(1-0,3319) = 19,9527 = 9,933288599 (Figura 2-45). SCE es la suma de
‘cuadrados explicados, SCT es la suma de cuadrados total y SCR es la suma de cuadtrados residual. El
cestadistico de Breusch-Pagan es SCEI2 = 496666442995 y el p-valor seré el valor de la funcién de
distribucién de una chi-cuadrado con un grado de libertad en el punto 9.933288599, que se calcula con
Eviews introduciendo en la linea de comandos =@CHISQ(4. 96666442995, 1) cuyo valor es 0,02584
(Figura 2-46). Como el p-valor es menor que 0.05 se acepta la hipstesis de heteroscedasticidad.
a Pe eee |
Figura 2-45
7400 ITES-PacanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Una vez detectada la presencia de heteroscedasticidad en el modelo es necesatio
corregirla en Ia estimacién del mismo. Para ajustar correctamente el modelo en presencia de
heteroscedasticidad utilizaremos el método de estimacién de White. Para ello rellenamos la
solapa Specification de 1a pantalla Equation Estimation (obtenida con Quick —> Estimate
equation) como se indica en la Figura 2-47. La solapa Options se rellena como se indica en la
Figura 2-48 eligiendo Ia opeién White en el campo Heteroskedasticity consistent coefficient
covariance. Al pulsar Aceptar se obtienen los resultados de Ia Figura 2-49. Se observa que la
significatividad de la constante ha mejorado y que el resto de los indicadores de ajuste del
modelo son buenos: R” muy alto, estadistico de Durbin Watson cercano a 2 y criterios de
informacién de Akaike y Swartz.con valores bajos.
a ies) Ss
ne ae ou aahoawae
=m
Pema | Sree
Petree 4 Sageteeee | | Sia”
sate 118 1 tatcant re ee me oo
= Ces) Cen]
Figua 7 Figun 8
peerless tele eeecloasheae
Dependent Variable: Y
Method: Least Squores
Date 06/1205 Time: 20.27
Sample 118
Ineluged dosecatons: 18
‘Whe Hotrockadsstety-Concitent St
dard Enore& Covaiance
Variable Coaticiet Std Ener 1Slatisie Prob
c -asie405 zenes9 3072 on
x 1167176 O0t6707 eaeBIG7 cn
Reauared o.ee058
Adjusted R-squared 0957974
S032
a2iees,
SE ofregresson 8196874 sree
Sum squared resid 1.08E+I1 Schwarz enloron 25 65952
Log beebhond 28188 statistic aa7s2u4
Duin Wateon ett 2000527 Probate) 0.000000
Figura 2-49
Finalmente el modelo puede ajustarse como sigue:
Y= -85184,05 + 1.167176 X+u
AL interpretar los resultados del ajuste podemos decir que el aumento de una unidad
en Ja renta disponible de las familias residentes en Espafia en 1991 produce un aumento de
1,167176 unidades en el consumo final de las citadas familias, Ello podsfa llevar al grupo
‘empresarial a tomar la decisi6n de la construccién de grandes superficies.
(© MTES-Paranintos 75ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
>2.4, El archivo 2-4.»/1 contiene los datos relativos a la oferta monetaria MI, producto interior
Dbruto PIB y tipos de interés R para la economfa canadiense con datos trimestrales desde enero
de 1978 a diciembre de 1987. Con esta informacién se trata de explicar la demanda de dinero
mediante la ecuaci6n siguiente
Ln M1 = fy BilnPIB+ PrLnR+ w
Ajustar el modelo teniendo presente los efectos de la posible heteroscesdasticidad condicional
en caso de existir.
SOLUCION: Si ajustamos el modelo por MCO rellenando la pantalla Equation Estimation
de Eviews como se indica en la Figura 2-50 se obtienen los resultados de la Figura 2-51
Depend wii LOX
Satie aye or
Seok
Figura 2 30 Figura 2.51
Inicialmente el ajuste presenta significatividad al menos al 97% (p-valores de la T menores
‘que 0,03) de todos los parimetros y también hay fuerte significatividad global (p-valor de la F casi
nulo). Por otra parte puede exist autocorrelacién, ya que el estadistico de Durbin-Watson se aleja
mucho de 2. El R” es muy alto (superior al 95%).
A continuacién contrastamos la normatidad de los residuos ulilizando View >
Residual Tests Histogram — Normality Test desde la pantalla Equation (Figura 2-52). Se
obtienen los resultados de la Figura 2-53,
Pedra) rete) Essel sales
Dealers
eNasensiel_C26i857 Probst) OOCtNOD
Figura 2-52 Figura 2-53
7600 ITES-PacanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
En la Figura 2-53 se ve que los coeficientes de asimetria y curtosis residual estén
précticamente en la frontera del intervalo [-2 y 2] para poder aceptar la normalidad con
Teparos, circunstancia que también muestra el histograma. El contraste formal de Jarque-Bera
acepta formalmente la normalidad de los residuos (p-valor mayor que 0,05).
Para contrastar la posible heteroscedasticidad condicional, realizamos previamente
el correlograma de los residuos al cuadrado utilizando View — Residual Tests > Correlogran
Squared Residuals desde 1a pantalla Equation (Figura 2-54). Se obtiene el correlograma de la
Figura 2-55, en el que se observan coeficientes significativos en el primer retardo (p-valor de
0,007 claramente menor que 0,05) y posiblemente en el segundo con p-valor de 0,014 también,
‘menor que 0,05. El tercer retardo ya no se considera porque su p-valor esté cerca de 0,05.
eb eles Sane
ii Gp oa 27m 609
2-o0re ote 20M Oo
fe Sd Ew eae Re ee
Tarn : 7 oan ce 7a oor
ceo tat | 3 cu aoe ean oo
re i] i | date ci aber on
[To tq | 5.039.420 ta cos
Se ampen 3 iq | 2ce ate mae oom
Sescamict 3 ep Vi | Ste Gan Zion oom
tpidted” brant Fate Pie tq |ioeu aap rat oor
Figura 2-54 Figura 2-55
Ante esta situacién realizamos el contraste formal del multiplicador de Lagrange
utilizando dos retardos en la estructura ARCH (p=2), Para ello se uiliza View —» Residual Tests >
ARCH LM Test desde la pantalla Equation (Figura 2-56) con 2 retardos. Se obtienen los resultados
de la Figura 2-57 donde, tanto el contraste de la F como el test de Engel del multiplicador de
Lagrange (N*R?) aceptan la significatividad de los términos ARCH (p-valores menores que 0,05),
Jo que muestra Ia existencia de una cierta heteroscedasticidad condicional
Sremmnsenedersne ‘|
Figura 2-56
(© MTES-Paranintow 7ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
La siguiente tarea es realizar Ia estimaci6n del modelo GARCH(p.q) mas adecuado para
nuestros datos con p y q con valores méximos de 2 (derivados de la estructura del correlograma
residual de la Figura 2-55. Comenzaremos ajustando un modelo GARCHQ,2) rellenando la
solapa Especification de la ventana Equation Estimation con la ecuacién el modelo y eligiendo
ARCH-Autoregressive Conditional Heteroskedasticity Figura 2-58). Se obtiene la Figura 2-59
en la que se elige GARCH/TARCH en su campo Model introduciendo los 6rdenes ARCH y
GARCH deseados. La solapa Options se rellena segtin se indica en la Figura 2-60. Al pulsar
Aceptar se obtiene el ajuste al modelo GARCH,2) de la Figura 2-61
Freon nei pane be ete
a
Figura 2-59
iecatpenire ae
Siiccraiale
Nein sence rt
Clever eee sgt
nee concionsate
Ome
Figure 2-60 Figure 2-6?
Se observa que los coeficientes del GARCH(1) y el GARCH() son negativos (en
Variance Equation), luego habré que prescindir de estos términos y ajustar un modelo
ARCH(2,0) como estructura mas completa posible. Para ello se rellena la solapa Specification
de la pantalla Equation Estimation como se indica en la Figura 2-62. Al pulsar Aceptar se
obtiene el ajuste de Ia Figura 2-63 que presenta baja significatividad del coeficiente ARCH).
Ello nos Hleva a considerar la estructura ARCH(1) rellenando Ia solapa Specification de la
pantalla Equation Estimation como se indica en la Figura 2-63. Al pulsar Aceptar se obtiene el
ajuste de la Figura 2-64 que presenta significatividades muy altas para los parémetros de las
variables del modelo tanto individual como conjunta. La significatividad del término ARCH
es casi el 90%.
7800 ITES-PacanntoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
cee)
as
———
“ea aes caer ee eae
‘ant ) mento |_“ee_soret_ttis Seis
seni rai ——E
enter com
Tove =
|
Figura 2-63
“ee
Satya ar ein
bast aa
vs eee — Sanne =
See =
aor pin
‘aie aed z
ck uses 2 -
Ces]
Figura 2-64 Figura 2-65
‘También puede intentarse un ajuste a un modelo EGARCH (1,0) rellenando el campo
‘Model como se indica en la Figura 2-66. En la Figura 2-67 se presenta el ajuste que no resulta
demasiado significativo
‘También puede intentarse un ajuste a un modelo PARCH (1,0) rellenando el campo
‘Model como se indica en la Figura 2-68. En la Figura 2-69 se presenta el ajuste que no resulta
demasiado significativo,
También puede intentarse un ajuste a un modelo CGARCH (1,1) 0 Component
ARCH(L1), rellenando el campo Model segén la Figura 2-70. En la Figura 2-71 se presenta el
ajuste que presenta significatividad dudosa de los términos ARCH, pero més aceptable que en
los casos anteriores.
Finalmente consideramos que 1a_heteroscedasticidad condicional se _ajusta
adecuadamente considerando un modelo ARCH(1) 0 GARCH(1,0). El ajuste final seré:
Ln M1 = -8,604807 + 1.484077LnPIB - 0,043736LnR +
= Vu.) = 0,000309 + 0,721916 t.1?
© MTES-Paranintos 78ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS.
oe ie
"Tova ten penn von he
poner fats
ee
| ‘gee last fs ae
cone
ese Ii Lees) =
Figure 2-66
amon Ce none anenn
‘SS aleepen ri ceetain ae
vm ral Eee en
Se ares
Si oem
| 7 =
io s ae
re I ence & Sate
te
Riieed dan
Figura 2-68 Figura 2-69
| Sec Ops ‘Depron Vague LOOM" a
Neots, eee ne
let Steen sce een
isi eto att
‘eed SSB SBE Soc
ee SESE | nape mom Teint Guan Ph
cua I peo iene ee eee
‘Saaoar ‘arent
instore 9
Figura 2-70 Figura 2-71
80+ © ITES-ParanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Tratamos de explicar las importaciones (IMP) mediante el consumo (CONS) y la inversion
(INV) disponiendo de los siguientes datos:
IMP PIR CONS INV. IMP PIB CONS. INV. IMP PIB CONS. INV.
159 14931081 42t6#—SIZtS L190 2H
19117551269 HL8S_18OB 1321S 20819073772
227-021-4602 265212456281 -2261 1623.50
216 © (2319-64351 26323901676 = 72580176856
333-2698 1866 3937028841997 3143330482139 46
490 3234 «2238 «7050333682320 125653539 2429S
INS + PRINV + « analizando
Ajustar de forma razonable el modelo IMP = + APIB + By
los posibles problemas.
SOLUCION: Si introducimos los datos en el archivo 2-S.nfl y, después de cargarlo en
memoria, ajustamos el modelo por MCO rellenando Ia pantalla Equation Estimation de
Eviews como se indica en la Figura 2-72 se obtienen los resultados de la Figura 2-73.
pate Preks] Flere Eomoranas Pr
seve
ae
Figura 2-72 Figura 2-73
Se observa Ia no significatividad de ninguna variable explicativa y la gran
significatividad del modelo en su conjunto (p-valor de la F igual cero). Esto nos leva a
sospechar la presencia de multicolinealidad. También se observa posibilidad de
autocorrelacién residual (p-valor de Durbin-Watson problemético por estar alejado de 2).
Ademés, si ajustamos el modelo sin la sitima observacién para cada variable, se
obtienen estimadores muy distintos de los anteriores, lo que confirma la multicolinealidad.
Las Figuras 2-74 y 2-75 presentan la pantalla Equation y el resultado de este ajuste.
Por otto lado, si calculamos la matriz de correlaciones de las variables explicativas,
observamos que presenta ciertos valores demasiado altos, lo que corrobora la presencia de
multicolinealidad en el modelo, Para ello, seleccionamos dichas variables en la pantalla
Workfile, hacemos clic con el bot6n derecho del ratén y elegimos Open — as Group. Una vez
«que las variables son un grupo elegimos View —» Correlations — Common Simple (Figura 2-76)
y obtenemos la matriz.de correlaciones de la Figura 2-77. Se observa que Ia correlaci6n entre el
PIB y el consumo es muy alta (0,998933), Evidentemente este hecho provoearé problemas de
multicolinealidad en el modelo,
© MTES-Paraninfos 81ECONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
be =a
raed ange Bae anon fre 27
Moose sam z en epoch ES
teins as
soo an ficeetie ae
Figura 2-74 Figura 2-75
Figura 2-76 Figura 2-77
Para estimar el modelo con multicolinealidad podemos utilizar la Regresién en cadena
tomando como valor del pardmetro de cadena c = 0,06 (es el nimero entre 0,001 y 0,1 que mejor ajuste
proporciona para el modelo de entre los que estén en Ia parte central del intervalo [0.001, 0,1)). La
regresién en cadena ofrece como estimadores de los parametros (X’X+cl)" X’Y siendo ¢ la
constante adecuada. La matriz de varianzas covarianzas es 0 (X'X+cl)X'X(X'X+cl)'. En la
practica suele tomarse ¢ como un valor més © menos centrado entre 0,01 y 0,1 que hace que el
ajuste sea bueno en cuanto a.R° y significatividad individual y conjunta. El resultado para nuestros
datos con ¢=0,06 es el siguiente
172.54
B=(ex s00612)' xy | 00120
04143353
0.428728
XO.-’ 5. ¥ . 7:
Ra PY-1Y* _ BY —TP* _po4sor
Soy a
Se obtienen entonces los siguientes resultados para la estimacién del modelo ya sin
multicolinealidad:
8268 ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Parémetro
CONSTANTE “172,54
PIB 0.09162
CONSUMO 0.14335,
INVERSION 0.42872
R-cuadrado = 94,5078 porcentaje
R-cuadrado (adaptado para g..) = 93,3309 porcentaje
Error estindar de la est. = 23,0059
T =18 es el mimero de observaciones, I es la matriz identidad y las matrices X e ¥
inmersas en los eélculos de este problema son las siguientes:
1493 108142 159
1755 1269 31 191
2021 1460 21 227
2319 1643 SI 216
2698 1866 39
3234 2238 70
1612 1148 41
1808 1321 11
2124 1541 56
2390 1676 7
2884 1997 31
3368 ©2320 12
11S 1232 31
1907 1377 22
2261 1623 50
2580 1768 56
3045 2139 46
3539242945,
Para cada una de las 17 Comunidades Aut6nomas el archivo 2-6.w/1 contiene informacién acerea
de los ingresos de explotacién INEX, el consumo CONS, los gastos de personal GPER y los gastos
de explotacién GEX relativos a un determinado sector de actividad. También se tiene informacién
del mimero de ocupados en el sector PEROC. A partir de esta informacién se trata de ajustar el
modelo siguiente:
INEX= fi + i, CONS + GPER + GEX +
Detectar los posibles problemas en el ajuste y resolverlos de la forma més adecuada.
SOLUCION: Si cargamos en memoria el archivo 2-5.w/l y ajustamos el modelo por MCO
rellenando la pantalla Equation Estimation de Eviews como se indica en la Figura 2-78 se
obtienen los resultados de la Figura 2-79,
© MTES-Paranintos 88ECONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
Hy mes nga
ae ooo i a
AijmsR-camed 19ers $0 unenant
Ge Ge)
Figuca 278
Se observa significatividad individual problemética de las variables explicativas y una
gran significatividad del modelo en su conjunto (p-valor de la F igual cero). Esto nos leva a
sospechar Ia presencia de multicolinealidad. No se observan problemas fuertes de
autocorrelacién residual (estadistico de Durbin-Watson no demasiado alejado de 2).
Por otro lado, si calculamos la matriz de correlaciones de las variables explicativas,
observamos que presenta ciertos valores demasiado altos, lo que corrobora la presencia de
‘multicolinealidad en el modelo. Para ello, seleccionamos dichas variables en la pantalla
Workfile, hacemos clic con el bot6n derecho del ratén y elegimos Open —» as Group. Una vez
‘que las variables son un grupo elegimos View —» Correlations —* Common Simple (Figura 2-80)
y obtenemos la matriz de correlaciones de la Figura 2-81. Se observa que las correlaciones entre
Jas variables explicativas son muy altas. Evidentemente este hecho provocaré problemas de
multicolineatidad en el modelo.
Figura 2-81
Por otto lado, el valor absoluto del determinante la matriz de correlaciones es muy
equefio (\Ru| = 0,000033924). Ademés, los autovalores de la matriz Re, son Az = 0,00985, x =
0,001152 y As = 2,98899, con lo que tenemos el siguiente valor para el indice de condicién:
Pou _ [298899 _
Ha)= = loose 7509
04 68 ITES ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Como el determinante de la matriz de correlaciones es muy pequefio ya hay sintomas
de multicolinealidad fuerte, pero ademés, el indice de condicién es mayor que 30, lo que
corrobora la presencia del problema de la multicolinealidad.
Adicionalmente podemos calcular los fuctores de inflacién de la varianza FIV. El
factor de inflacién relativo a la variable CONS se calcula a partir del R® de la regresién de
CONS sobre las restantes variables explicativas GPER y GEX (Figuras 2-82 y 2-83),
ee ee TIT
os ae eS ied Reqs Setoar fas
Figura 2-82 Figura 2-33
Tenemos FIV(CONS) = 1/(1-0,996352) = 274,122, valor muy superior a 10 que indica
‘que esta variable esté inmersa en problemas de colinealidad.
El factor de inflacién relativo a la variable GPER se calcula a partir del R? de la regresién
de GPER sobre las demas variables explicativas CONS y GEX (Figuras 2-84 y 2-85).
Siofom nanan
=)
Figura 2-84 Figura 2-85
‘Tenemos FIV(GPER) = 1/(1-0,9922389) = 131,38, valor muy superior a 10 que indica
que esta variable esta inmersa en problemas de colinealidad,
El factor de inflacién relativo a la variable GEX se calcula a partir del K? de la regresién de
GEX sobre las dems variables explicativas CONS y GPER (Figuras 2-86 y 2-87).
© MES Paranintos 85ECONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
Wkecween sia Sas Pes)
Figure 2-86 Figura 2.87
‘Tenemos FIV(GEX) = 1/(1-0,998229) = 564,65, valor muy superior a 10 que indica
‘que esta variable esta inmersa en problemas de colinealidad.
Para la deteccién de 1a multicotinealidad podemos utilizar también el contraste de
Farrar-Glauber basado en el estadistico G = -{T-1-(2k+5)/6]Ln|Rol que bajo la hipstesis nula
de no multicolinealidad es una Chi-cuadrado con k(k-I)/2 grados de libertad. T = 17 e3 el
tamaiio muestral, k = 4 el ntimero de variables en el modelo y Rela matriz. de correlaciones de
las variables explicativas. Segiin estos datos se observa que G = 142.36 y la Chi-cuadrado
tiene 6 grados de libertad. Como el p-valor de este contraste (calculable en Eviews mediante
\CHISQ(142.3641, 6)) es casi cero, se acepta la presencia de multicolinealidad
Para solucionar ef problema de la multicolinealidad podemos considerar tas
variables ratio resultantes de dividir las variables del modelo entre las personas ocupadas en el
sector de actividad, para considerar asf el modelo en variables per c4pita. Ajustamos el modelo
por MCO rellenando la pantalla Equation Estimation de Eviews como se indica en la Figura
2-88 y se obtienen los resultados de la Figura 2-89.
Figura 2-68 Figura 2-89
Se observa un buen ajuste, tanto por la significatividad individual de las variables per eépita
del modelo (superior al 99% salvo el consumo, superior al 90%), como por su alta significatividad
conjunta. El R* es muy alto y_el estadistico de Durbin Watson es précticamente 2, lo que elimina
sospechas de autocorrelacin. Ademés, los riterios de informacién tienen un valor muy bajo.
Podemos probar la normatidad de los residuos desde 1a pantalla Equation mediante
View — Residual Test — Histogram ~ Normality Test (Figura 2-90).
96 + © ITES-ParanitoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Figura 2.90 Figura 2.91
En la Figura 2-91 se ve que los coeficientes de asimetria y curtosis residual estén
précticamente en la frontera del intervalo [-2 y 2] para poder aceptar la normalidad con
reparos, citcunstancia que también muestra el histograma. El contraste formal de Jarque-Bera
acepta formalmente la normalidad de los residuos (p-valor mayor que 0,05).
Solo faltarfa analizar Ia ausencia de heteroscedasticidad en el modelo, Para ello
utilizamos el contraste de White desde Ia pantalla Equation mediante View —» Residual Test
~ White Heteroskedasticity (no cross terms) (Figura 2-92). En la Figura 2-93 se observa que
las probabilidades relativas a la F y a la Chi-cuadrado son mucho mayores que 0,05, lo que
nos eva a aceptar Ia ausencia de heteroscedasticidad.
fost SW Ew Vata Ps
Soap ett
eager tarot
eet 2 2 ee
Died Papaet 01 Werte ore
SE angen 9: a
Simsquednst 07000 Sawarateen
Logileheo 22085 ease
Figura 2-92 Figura 2-93
Se llega a la conclusién de que el modelo correctamente ajustado seré el siguiente:
INEX/PEROC:
1,466 - 0,257 CONS/PEROC - 1,22 GPER/PEROC + 1,379 GEX/PEROC + u
También suele ser una soluci6n para el problema de la multicolinealiad eliminar del
modelo alguna variable no significativa. Por ejemplo, en caso de que no se considerase
suficientemente significativa la variable CONS/PEROC (p-valor = 0,0938), puede eliminarse
del modelo y realizar el ajuste sin ella (Figuras 2-94 y 2-95). Se observa que el nuevo ajuste es
muy significativo individualmente y en su conjunto,
(© MTES-Paranintos 87ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
eS ea eater
see 7 Sehmecooon ee
Figura 2-94 Figura 295
Una multinacional trata de analizar la relacidn existente entre el grado de estrés de los trabajadores
¥, medido a partir del tamafio de la sucursal en que trabajan X;, el ntimero de afios que llevan en el
puesto de trabajo actual X>, el salario anual percibido Xs y la edad del trabajador X;. Para ello se
Aispone de las observaciones contenidas en el archivo 2-7.¥f1
Se trata de obtener el modelo lineal mejor especificado que explique el grado de estrés de los
trabajadores en funcién de las restantes variables y que se juste alos datos dados.
SOLUCION: Inicialmente consideraremos €! modelo completo. Para realizar el ajuste lineal
con Eviews, se elige Quick —> Estimate Equation. Se rellena la pantalla Equation Specification
de la solapa Specification como se indica en la Figura 2-96), se elige Least Squares en el campo
Method (para ajustar por mfnimos cuadrados) y se hace clic en Aceptar. Se obtienen los
resultados de la Figura 2-97,
— ising reese
cae
=e
Figura 2-96 Figura 297
Se observa que todos los pardmetros estimados (Salvo el coeficiente de X2) son
significativamente distintos de cero al 95% (p-valores menores que 0,05) y que la
significatividad conjunta es muy alta (p-valor de la F muy pequefio). El R’ y el R” ajustado son
0.84 y 0,78 respectivamente (muy altos) con Io que 1a variabilidad explicada es alta. La
desviacién tipica estimada del error es 24,03 y los ctiterios de informacién de Akaike y
Schwartz tienen valores pequeiios con lo que la capacidad explicativa del modelo es buena. El
estadistico de Durbin Watson tiene un valor no demasiado alejado de 2, lo que indica ausencia
de posibles problemas de autocorrelacién,
98 + © ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Dado que la variable X; ha resultado no significativa individualmente, comprobaremos
si es una variable redundante a través del ratio de verosimilitud y hay que eliminarla de la
especificacién correcta del modelo, Para ello, sobre la pantalla Equation, elegimos View —
Coefficient Tests —> Redundant Variables — Likelihood Ratio (Figura 2-98) y situamos la
variable Xz en el campo One or more test series de 1a Figura 2-99. Al pulsar OK se obtiene Ia
salida de la Figura 2-98, Dado que los p-valores de la F y de la razén de verosimilitud son
mayores que 0,05 aceptamos la hipstesis de que la variable X, es redundante, Ademés, la Figura
2-100 presenta el modelo ajustado sin Ia presencia de la variable X
1 esate is
950@ venconantar Tet
trast apes ft Ruel ere
Shacewen” ee || Srtuanims Srcai Seneerennon
Sika ee Bianca Stacia Pease
298 Figuea 2-99
Prete] Poel rar Fen Eve)
a
Friel Pueemeate) OLD
Figura 2-100
En Ia Figura 2-100 se observa que todas las variables del modelo han aumentado su
significatividad (p-valores mas pequefios) y los valores de R’ son mejores (més altos) al
celiminar la variable X2 del modelo. La significatividad conjunta de los pardmetros del modelo
también ha mejorado (p-valor de la F mas pequeiio). Observando los coeficientes estimados
se deduce que un aumento en una unidad Ia variable X; provoca un aumento en ¥ de 0,16
unidades suponiendo constantes el resto de las variables. Un aumento de una unidad en la
variable X; con las demés variables constantes provoca un aumento en ¥ de 1,42 unidades.
Para la variable X, el aumento es superior (1,75).
© MTES-Paranintos 88ECONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
Se ve que al eliminar del modelo la variable Xz, los efectos de las variables
independientes sobre la variable dependiente han disminuido levemente. Por lo tanto, la
introduccién de la variable redundante en el modelo provocaba una sobreestimacién de los
efectos de las restantes variables sobre la variable dependiente.
No obstante, para comprobar que el modelo sin la variable X2 esta bien especificado
definitivamente, sera necesario comprobar que X> no es una variable omitida a través del ratio
de verosimilitud. Para ello, sobre la pantalla Equation, elegimos View — Coefficient Tests >
Omitted Variables — Likelihood Ratio (Figura 2-101) y situamos la variable Xz en el campo One
or more test series de la Figura 2-102. Al pulsar OK se obtiene la salida de la Figura 2-103,
Figura 2-108
SEahepersen 2003103 Sokerio cence SUT75
eelidinas R250 Ewe as
Deki ta Deate Feats) GOMER
Figura 2-103
Figura 2-104
Las altas probabilidades de la F y del logaritmo del ratio de verosimilitud indican que
hay que aceptar la hipétesis de que la variable Xz no es relevante para explicar la variable
‘end6gena. Podemos por tanto omitirla en el modelo.
El ajuste final del modelo sera el especificado en Ia Figura 2-100.
190+ © ITES- ParenteMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL,
Hubiera sido equivalente el contraste de redundancia (u omisién) de X, a haber contrastado
la significatividad del regresor individual X; mediante el test de Wald obtenido mediante View —
Coefficient Test > Wald — Coefficient Restrictions (Figura 2-104) y situando 1a nulidad del
ppardmetro C(3) de Ta variable Xzen la pantalla Wald Test de la Figura 2-105. Al pulsar OK se obtiene
Ja salida de la Figura 2-106. Las altas probabilidades de Ia F y del logaritmo del ratio de
verosimilitud indican que hay que aceptar la hipstesis de que la variable X, puede considerarse mula
para explicar la variable endégena, Podemos por tanto omitira definitivamente en el modelo.
Euston Units
Test Sinise vow f_Proabity
Fatt Denso? G1) Cases
chee Decor aa
a ypthesisSuary
mated Resi Vaue Sid
Stems | Spee tao CO} Coan]
Figura 2-105 Figura 2-106
>2.8. El archivo 2-8.fl contiene diferentes partidas del balance de varias empresas referido a un
¢’jercicio determinado (1996-1997). Concretamente contiene el valor afiadido (VA), el inmovilizado
neto (IN), el beneficio después de intereses ¢ impuestos (BDID, el activo total (A), las ventas
(VIAS), las reservas (RESERVAS), el capital social (CAPSOC), los gastos financieros (GF), las
deudas totales (D1), la capacidad de autofinaciacién (CAAU), el activo citculante (ACIRO), las
deudas a corto plazo (DCP), el dividendo del afto anterior (DIV96), el dividendo actual (DIV97), el
impuesto de sociedades (ISOC), las existencias (EXISTENCIAS) y las tasas de variacién con
respecto al ejercicio anterior del activo (7VA), del inmovilizado neto (VIN), de los fondos propos
(IVEP)y de las ventas (TVV),
Se trata de obtener el modelo lineal mejor especificado que explique el ratio dividendos/(beneficios
después de intereses e impuestos) en funcién del ratio ventas/(activo total), de la tasa de variacién
del activo total, de la tasa de variacién de los fondos propios, del ratio (deudas totales)/(recursos.
propios), del ratio (beneficio antes de intereses e impuestos)/(gastos financieros), del ratio (activo
X*),
Esta regresién se abordara considerando la variable ficticia D que vale 0 para valores
de X menores que X* y que vale uno en caso contrario. La ecuacin del modelo a ajustar seré
Ia siguiente
Y= Qh + OX, + Obs (X,—X*)D, +
_fisix, > x"
‘~ \Oenel resto
Suponiendo E(u,)=0, se tiene que
a + aX,
Gy - Os X* +(ay+-a8)X,
Se observa que dj es corresponde a la pendiente de Ia recta de regresién en el primer
tramo (X Estimate
Equation, se escribe 1a ecuaci6n del modelo a ajustar en el campo Equation Specification de la
solapa Specification, se elige BINARY-Binary choice (logit, probit, extreme value) en el campo
‘Method, se elige Probit en el campo Binary estimation method para realizar el ajuste mediante el
modelo Probit (Figura 7-20) y se hace clic en Aceprar. Se obtienen los resultados de la Figura 7-
21 con buenas significatividades individuales para los pardmetros estimados. La significatividad
conjunta es muy alta porque el p-valor del estadistico de la raz6n de verosimilitud es muy
equefio. El Pseudo K° de McFadden no se acerca demasiado a la unidad (0,053). Los valores de
los ctiterios de informacién (Akaike, Schwarz y Hannan-Quinn) son adecuados porque son
bajos y muy parecidos. A continuacién mediremos la bondad del ajuste del modelo Probit
mediante el criterio del porcentaje de predicciones correctas. Esta tarea se leva a cabo con
Eviews mediante View — Expectation-Prediction Table (Figura 7-22). Al hacer elie en
Aceptar se obtiene la salida de la Figura 7-23 en la que se observa que el modelo predice
adecuadamente el 87,73% de las observaciones, lo cual es muy aceptable.
9206 © ITES-ParaintoMODELOS DE VARIABLE DEPENDIENTE LIMITADA: LOGIT, PROBIT Y RECUENTO
Sesinane Qbah Clad Often
Ge
Figura 7-20
Figura 7-22 Figura 7-23
EI modelo Probit estimado resulta ser el siguiente (@ = funcién de distribucién NO,1)):
P = approve = &(f, + B,white) = (0.546946 + 0,783946white)
Siwhite =0 P =(,) = (0.546946) = 0,707792
Siwhite =1 P=@(A, + B,) = (0546946 + 0,783946) = 0,908388
Entonces se tiene que para un negro o un hispano (white = 0) la probabilidad estimada
de que se les conceda el crédito hipotecario es de 0,707792, mientras que para un blanco es de
0.908388 = 0,707792+0,200596. Los resultados son los mismos que cuando se utilizé el
modelo de probabilidad lineal.
Para realizar la estimacién mediante el modelo Logit se elige Quick —> Estimate
Equation, se esctibe la ecuacién del modelo a ajustar en el campo Equation Specification de la
solapa Specification, se elige BINARY-Binary choice (logit, probit, extreme value) en el campo
Method, se elige Logit en el campo Binary estimation method para realizar el ajuste mediante el
‘modelo Logit (Figura 7-24) y se hace clic en Aceptar, Se obtienen los resultados de Ja Figura 7-25
ea
Figura 7-24 Figura 7-25
© MTES-Paraninfo 321ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Se observan buenas significatividades individuales para los pardmetros estimados. La
significatividad conjunta es muy alta porque el p-valor del estadistico de la razén de
verosimilitud es muy pequeiio. El Pseudo R? de McFadden no se acerca demasiado a la unidad
(0.053). Los valores de los eriterios de informacién (Akaike, Schwarz y Hannan-Quinn) son
adecuados porque son bajos y muy similares.
El modelo Logit estimado resulta ser el siguiente (A = funci6n de distribueién logistiea)
PB vhite) = \(0,884685 + 1.409422 white)
approve = \(B, + By
P=A(B,) = A(O.884685 ) = 0.707792
&(B, + B,) = N(0,884685 + 1,409422) = 0,908388
Si white
Siwhite =
Entonces se tiene que para un negro 0 un hispano (white = 0) la probabilidad estimada
de que se les conceda el crédito hipotecario es de 0,707792, mientras que para un blanco es de
0.908388 = 0,707792+0,200596. Los resultados son los mismos que cuando se utilizé el
‘modelo de probabilidad lineal y el modelo Logit.
En un estudio sobre el sector turistico de la economia espafiola se ha especificado un modelo
Logit para caracterizar los habitos de las familias espaftolas de los municipios de mas de
100000 habitantes. En dicho modelo la variable explicada ¥ toma el valor cero si la familia no
va de vacaciones y el valor uno si la familia va de vacaciones, El modelo es el Logit siguiente
1
y,
T¥e™
AX,
NB, + BX a4 + BX 5 + BX a+ BX 4,
donde X2 = renta familiar en millones de unidades monetarias anuales, Xs = tamaio del
municipio en miles de habitantes, Xs = mimero de hijos y Xs = edad més uno del hijo menor
que vive con la familia (vale 0 si ningtin hijo vive con la familia). El modelo estimado es
¥, = A(-0,375 + 0,0545 X,, + 0,0063 X,, -0,032X,, -0,257X,,) +,
Sabiendo que las medias de Xo, Xs, Xs y Xs son 3,5 millones, 1,4 hijos, 276.8 miles de habitantes
y 9.5 afios respectivamente se pide calcular la probabilidad de que una familia media vaya de
vacaciones y de que una familia media que reside en Valencia (700 mil habitantes) se vaya de
vacaciones. Calcular también el efecto marginal medio de la variable X>.
SOLUCION: La probabilidad de que una familia media (con caracteristicas medias de
ingresos familiares, tamaiio del municipio de residencia, mimeros de hijos y edad del hijo
menor) vaya de vacaciones seré
La probabilidad de que una familia media (con caracterfsticas medias de ingresos
familiares, niimero de hijos y edad del hijo menor) que resida en Valencia (municipio con 700
mil habitantes) vaya de vacaciones seri:
¥ = A(X) = A(-0,375 + 0,0545 X,, + 0,0063 * 700 - 0,032 ¥, ~ 0,257 ¥,) =
: Se = 0851
Trae aar RERTTIOS
9226 © ITES-ParainoMODELOS DE VARIABLE DEPENDIENTE LIMITADA: LOGIT, PROBIT Y RECUENTO
Para calcular el efecto marginal medio de la variable X; tendremos en cuenta que el
efecto de Ia variable Xj viene dado en general por:
OPW =IX)_
X,
aXBB,
En nuestro caso, como queremos el efecto marginal medio de X» tenemos:
OPW =1|X) _ A(X, B)
8A, = APB,
aX,
¥a-¥yA, =0,284( -0,284)0,054%
d-e¥y
0.011
En un estudio sobre el sector turistico de la economia espaiiola se ha especificado un modelo
Probit para caracterizar los hébitos de las familias espafiolas de los municipios de mas de
100000 habitantes. En dicho modelo la variable explicada ¥ toma el valor cero si la familia no
va de vacaciones y el valor uno si la familia va de vacaciones. El modelo es el Probit siguiente:
von
donde X2 = renta familiar en millones de unidades monetarias anuales, Xs = tamaio del
municipio en miles de habitantes, Xz = nimero de hijos y Xs = edad més uno del hijo menor
proereatenn s
¥, = ®(B,+ BX, + BX y+ BX + BX) 4m, = ds+u,
que vive con la familia (vale 0 si ningdin hijo vive con la familia), El modelo estimado es
(-0,578 + 0,0537 X.,, + 0,0077 X,, - 0,039 ,, -0,301X,,) +,
Sabiendo que las medias de Xo, Xs, Xs y Xs son 3,5 millones, 1,4 hijos, 276.8 miles de habitantes
y 9.5 afios respectivamente se pide calcular la probabilidad de que una familia media vaya de
vacaciones y de que una familia media que reside en Valencia (700 mil habitantes) se vaya de
vacaciones. Calcular también el efecto marginal medio de la variable X>.
SOLUCION: La probabilidad de que una familia media (con caracteristicas medias de
ingresos familiares, tamaito del municipio de residencia, mimeros de hijos y edad del hijo
‘menor) vaya de vacaciones seré (® = funci6n de distribucién de una variable N(O,1)):
(KB) = ©(-0,578 + 0,0837 X, + 0,0077 X, - 0,039 X, -0,301¥,) =
© (-0,518 + 0,0537 *3.5+ 0,0077 #276,8 - 0,039 *1,4~ 0,301 *9,5) = @(-117279)
Lea coin
von
La probabilidad de que una familia media (con caracterfsticas medias de ingresos
familiares, niimero de hijos y edad del hijo menor) que resida en Valencia (municipio con 700
‘mil habitantes) vaya de vacaciones seré
¥ = (Xf) = &(-0,578 + 0,0537 X, + 0,007 * 700 - 0,039 X, - 0,301 X,) = (2,0858)
0.981
oa 1
Oe
Para calcular el efecto marginal medio de la variable X2 tendremos en cuenta que el
efecto de la variable Xj viene dado en general por:
© MTES Paraninfow 323ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
a =X)
PUAN). axpyp,
En nuestro caso, como queremos el efecto marginal medio de X» tenemos:
APY =1|X) _ d@(X,B) za zp 1
PW =1 X) IEA) _ ox Kap, =.
ax. 78 BOB, = WXPYA, Te
1 Cosmaasrssioomensoameamys! yume |
2 =e + B,=0,2006*0,0537 =|
0107
En un estudio sobre el sector turistico de Ia economia espafiola se ha especificado un modelo
logit para caracterizar los habitos de las familias espafiolas de los municipios de mas de 100000
habitantes. En dicho modelo la variable explicada ¥ toma el valor cero si la familia no va de
vacaciones y el valor uno si la familia va de vacaciones. El modelo es el modelo de Gompit 0
‘modelo del valor extremo tipo I siguiente:
¥,= Q(X A+, = QB +BX yt BXy + BX t AX atu =e +H
donde X; = renta familiar en millones de unidades monetarias anuales, Xs = tamaio del
municipio en miles de habitantes, Xz = ntimero de hijos y Xs = edad més uno del hijo menor
«que vive con la familia (vale 0 si ningtin hijo vive con la familia). El modelo estimado es
¥, = 9(-0,393 + 00531, +0,0079 X,, -0035X,, -0,289% ,)+u,
Sabiendo que las medias de Xs, Xs, Xj y Xs son 3,5 millones, 1.4 hijos, 276,8 miles de habitantes
y 9.5 aiios respectivamente se pide calcular la probabilidad de que una familia media vaya de
vacaciones y de que una familia media que reside en Valencia (700 mil habitantes) se vaya de
vacaciones. Calcular también el efecto marginal medio de Ia variable X,
SOLUCION: La probabilidad de que una familia media (con caracteristicas medias de
ingresos familiares, tamafio del municipio de residencia, mimeros de hijos y edad del hijo
menor) vaya de vacaciones seré:
¥ = Q(XA) = 2(-0,393 + 0.0531 ¥,, +0,0079 €, - 0,035 %, - 0,289)
= (0,393 + 0,0531 * 3,5 + 0,0079 *276,8~ 0,035 *1,4— 0,289 *9,5)
=e" = 0,05
La probabilidad de que una familia media (con caracterfsticas medias de ingresos
familiares, niimero de hijos y edad del hijo menor) que resida en Valencia (municipio con 700
‘mil habitantes) vaya de vacaciones seré
¥ = Q(XB) = 2(-0,393 + 0.0531 8, + 0,0079 * 700 — 0,035 X, ~0,289.X,)
= (0,393 + 0,0531 *3,5 + 0,0079 #700 ~ 0,035 #14 0,289 *9,5)
i = 0,923
Para calcular el efecto marginal medio de la variable X; tendremos en cuenta que el
efecto de Ia variable Xj viene dado en general por:
9246 © ITES-ParaintoMODELOS DE VARIABLE DEPENDIENTE LIMITADA: LOGIT, PROBIT Y RECUENTO
PY = 1X)
a(XP)B,
En nuestro caso, como queremos el efecto marginal medio de X; tenemos:
OP =1| X) _ AQX,A) _
OX, aX,
(Ln; \-B,) = PLAY -B, ) = 0.105(L1(0.105))(-0.0531)
8 RAB, = Xpyp, =e" He Wf.) =
0125
roblema 7-1 utilizando un modelo Gompit o modelo del valor extremo tipo 1
Cuantificar ¢ interpretar los efectos de las variables explicativas sobre la probabilidad de la
mujer de participar en el mercado de trabajo de la forma adecuada
SOLUCION: Plantearemos el modelo Gompit o modelo del valor extremo tipo I siguiente:
Inlf = Qf + Br nwifeine + fy educ + Pyexper + Pyexper” + By age + B, kidsl6 + By kidsg6)
donde @ es la funci6n de distribucién de una variable Gompit a(x) =e
Para realizar la estimacién mediante el modelo Gompit 0 modelo del valor extremo
tipo I se elige Quick > Estimate Equation, se escribe la ecuacién del modelo a ajustar en el
‘campo Equation Specification de la solapa Specification, se elige BINARY-Binary choice (logit,
probit, extreme value) en el campo Method, se elige Extreme value en el campo Binary
‘estimation method para realizar el ajuste mediante el_ modelo Probit (Figura 7-26) y se hace clic
en Aceptar. Se obtienen los resultados de la Figura 7-27 con buenas significatividades
individuales para los pardmetros estimados (salvo la constante y kidsge6). La significatividad
conjunta es muy alta porque el p-valor del estadfstico de la raz6n de verosimilitud es muy
equefio. El Pseudo R” de McFadden no se acerca demasiado a la unidad (0,21). Los valores de
los criterios de informacién (Akaike, Schwarz y Hannan-Quinn) son adecuados porque son
bajos y muy similares.
end tt do 9 cpt
fe een op’? oS
aN ray oe ene ee z
Soe
Figura 7-26 Figura 7-27
Para cuantificar e interpretar los efectos de las variables explicativas sobre la
probabilidad de la mujer de participar en el mercado de trabajo tendremos presente que el efecto
parcial de una variable explicativa continua X, sobre la probabilidad de respuesta P(Y = 1|X) es:
© MTES Paraninfow 325ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
a =X)
PUAN). axpyp,
‘Como para cada observacién tenemos un efecto, evitaremos el célculo de 753 efectos
calculando los efectos para las observaciones medias
‘Tenemos presente que:
iwifeine = 2013 edu
4254 Ridsir6
2,29. exper = 10,63
age 124 Fidage6 = 1.35
¥ = Q(XA) = Q(-0,743 - 0,01 * 20,13 + 0,136 * 12,29 + 0,134 * 10,63 ~ 0,001 *178,03,
= 0,057 * 42,54 ~ 0,953 *0,24 40,058 *1,35) = 2(-0,60167) = e“"” = 0,1612
‘con lo que:
ap =1|X) _ dacX,A)
OX, Xx,
= AXA LnAKPYVB,) = PLaPy-B,
* -e P
8 XPB, = XDA,
1)
=0,1612(Ln(0,1612)x-A,)
Iuego podemos obtener el efecto parcial estimado de las variables continuas, para los
valores medios de las X, multiplicando los coeficientes estimados del modelo Gompit por
0,294.
Por lo tanto, un afio adicional de educacién aumenta la probabilidad de participar en el
mercado de trabajo en. 0,136x0,294 = 0,04. Al aumentar la edad en un aio la probabilidad de
articipar se reduce en 0,017 (-0.0577x0,294=-0,017). Al aumentar la experiencia en un afio, la
probabilidad de participar varfa en [0,134-(2x0,0018xexper|x0,294. Un aumento unitario en los
‘otros ingresos hace que la probabilidad de participar se reduzca en 0,003 (-0,0107x0.294 = -0,003),
También podemos calcular el efecto estimado al variar una variable discreta. Por
ejemplo, para kidsls6 el efecto sobre la probabilidad de trabajar de pasar de tener 0 a 1 hijo
(menor de 6 aiios) es una reduceién en 0,3 porque siendo Q = Funci6n de distribucién de la
variable Gompit se tiene:
Q(-0,743 ~0,01* 20,13 + 0136 "12,29 + 0.134*10,63 ~0,001*178,03 ~0,057 *42,54~-0,953*0,24 + 0,058*1.35)~
2(-0.743 -0,01* 20,13 + 0136"12,29 + 0.134 10,63 -0,001178,03 0,057 42,540,953 + 0,058*135) = 03
y el efecto sobre la probabilidad de trabajar de la mujer de pasar de 1 a 2 hijos (menor de 6
afios) se reducira en 0,2 porque:
2(-0.743 ~0,01* 20.13 + 013612,29 + 0.134 10,63 -0,001°178,03~0,057 42,540,953 + 0,058*1,35) -
2(-0,743 ~0,01* 20.13 + 0136*12,29 + 0134*10,63 ~0,001*178,03 ~ 0,057 *42,54~2*0,953 + 0,0581,35) = 02
En el problema 7-2 ya vimos que los efectos estimados al variar las variables
explicativas coincidfan para los modelos Logit y Probit. Ahora hemos visto que estos efectos
para el modelo Gompit son précticamente iguales a los de los modelos Logit y Probit (algo
mas bajos en general en este caso).
9266 © ITES-Paraino 5,
0 i>s
16460 WES-ParsninoMODELOS DINAMICOS Y ARIMA, RAICES UNITARIAS Y COINTEGRACION
¥,=H4D5X,, tu, =Ht ON G41-DX,, tu, = M+ 5Z, +,
a a
z
{8} = (80,81, -...8:} = (86-1), 85, 566-1), 8(6-2),....5]
id Osiss/2
Retardo en V invertida de DeLeeuw — 5, =
(s-)S5 (s/2)+1 iss
2a
Haws Z ox tm =sneg| Lox + Seow neu 21082, +4
(8) (8.4 BP = (0,8, BD). 8.01
Retardo polinomial de Almon — 5, =O, + i+ 1° +++ Gi
y, =u+YOX,, +u, HH DK aS +, te +a, D7, +u,
z ze, Taw
FMA ML, +OLy + OL FF Lory, +My
{3B} = (80.81, Ba} = (py By FA, FA HAL, Ay HASH AS? +4 5")
En cuanto al niimero de retardos a elegir podemos utilizar los criterios de informacién
de Akaike o Swartz, tomando el mimero de retardos para el que el modelo tiene los menores
valores de los criterios de informaci6n,
4.1.2 Modelos con retardos distribuidos infinitos
Un modelo en retardos distribuidos infinitos tiene la forma Y, = M+ 5)’ w,X, +u,
a
Retardo geométrico + w,= (I-A) O Structure/Resize
Current Page (Figura 5-2) y en la pantalla Workfile Structure elegimos Dated Panel como tipo
de estructura de datos, la variable empresa como identificador de la seeci6n eruzada del panel y
Ja variable T como temporal. El resto de los campos Jos dejamos con sus valores por defect
(Figura 5-3). Al pulsar OK ya tenemos el conjunto de datos 5-1.wfl con estructura de datos de
panel observéndose las dos nuevas variables identificadoras dateid y dateid01 (Figura 5-4),
BY Sraanere
Bi SBhathertcerae
By Sct
bre sat ‘ws
aioe etanin
teres 16 elles ara
Figura 5-1 Figura 52
ea
Figura 5-3 - Figura 5-4
‘Comenzaremos a tarea de andlisis con las representaciones gréficas de las variables del
panel mediante Quick — Graph —> Line Graph ¢ introduciendo la variable Log(Coste) en la
pantalla Series List. Al pulsar OK se obtiene la pantalla Panel Graph de la Figura 5-5. Si elegimos
Stack cross section data se obtiene la grifica de Log(Coste) en todo el panel (Figura 5-6).
Repitiendo el proceso para Log(¥) se obtiene la grifiea de la Figura 5-7.
Gah Sam nak |
f (Pinning ie
aaalcn cere |
WaprieSitcr’ "| Norte olf Dron
Niue mere que
Ce Coe
Figura 5-5
© MTES Paraninfow 235EOONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
=a]
Figuea 5-7
Si en el Figura 5-5 elegimos Individual cross section graphs se obtiene Ia gréfica de
Ja variable Log(Coste) para todas las secciones cruzadas del panel (Figura 5-8). Para el caso de
a variable Log(¥) se obtiene la gréfica para todas las secciones cruzadas de la Figura 5-9.
. oe oe Oe
Z| 4 {~~
\
\
pipetiid
\
a
seEpithe
\
q
\f
EEEEEE?E
\
Ny
bEEERE
Figura 5-8 Figura 5-9
Si en Ia pantalla Panel Graph elegimos Mean plus SD Bounds se obtiene un grafico
de Ia evolucién de las medias de la variable Log(Coste) en las distintas secciones eruzadas con.
‘una franja de confianza de +2(desviaciones tipicas) segiin se ve en la Figura 5-11, Para la
variable Log(¥) se obtiene la Figura 5-12.
Msorcsem sate Ea S {+———
(=) pa
Figura 5-10 Figura 5-11
2966 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
cand
Figura 5
Figura 5-13
Si queremos hacer contrastes de igualdad de medias o varianzas de Log(¥) en las
distintas secciones cruzadas, basta seleccionar View —» Tests for Descriptive Stats > Equality
Tests by Classification (Figura 5-13), En la pantalla Tests By Classification se elige Ia variable
cuya igualdad de medias, medianas 0 varianzas en las distintas secciones cruzadas del panel se
contrasta. En la Figura 5-14 se ha elegido contrastar medias y en la Figura 5-15 se ha elegido
ccontrastar varianzas para Log(¥). Las Figuras 5-16 y 5-17 muestran los resultados, observandose
‘que se rechaza la igualdad de medias y la igualdad de varianzas (p-valores menores que 0,05).
Lo mismo ocurre para la variable Log(Coste) segéin los resultados de las Figuras 5-18 y 5-19.
See ny Nae
[Losey Di Treat HAs as category Ci Treat bis as category
ee femereet Tacaay Cusp tobe
sie totvanes> [160] | Siveon Brot vaes> [ico]
$ asp cues [2 Olen avg coum (2
Ovsiance Mavis: [5] |] Watered Maxttofbine [5]
x (ad)
Figura 5-14 Figura 5-15
e)
a
Figura 5-16
Se. be
ea eae TET
Figura 1?
© MTES Paraninfo« 237EOONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
ea Saat Aviom wy
EStgusecby vat ont SetCosTE)
pate oas20 Tera 2228
re Nverton. 24
Categoteeg oy ues 8 OSCOSTE)
fae teeac! Time 2238
el ove Peat ad vane Probeoiiy
eT
iy S3esm7 Come
[aca vanes 19) tones ote
Daim «(TE Sone
ean Abe
Haar Dane ema sie on Mises oe oon
ea LL)
Feasun se 5965
Suie 1n27s)
woes Bees ers | a5 ss
| te cones nose
Se StS Barer a Faso _ tee 7 ‘610 oat
2 Geko Hele Foran |[Pacnmnigaed mand seamen 971
Figura 5-18 Figura 5-19
Una vez realizado el andlisis grafico y descriptive de las variables del panel se
procede a su estimacién consideréndolo inicialmente como un panel de coeficientes
constantes. Para ello se elige Quick —> Estimate Equation, se escribe la ecuacién del modelo a
ajustar en el campo Equation Specification de la solapa Specification, se elige Least Squares
en el campo Method para ajustar por minimos cuadrados (Figura 5-20), se rellena la solapa
Panel Options como se indica en la Figura 5-21 (sin especificacién de efectos ni
ponderaciones) y se hace clic en Aceptar. Se obtienen los resultados de la Figura 5-22.
Figura 5-24
oo . :
one nd 8 mes [Bo OHO 2B 7
so end tne 24 EN si |
canes °
canton
eee Seta Tt.
2986 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Los resultados del ajuste del panel de la Figura 5-22 muestran una significatividad
individual y conjunta de los coeficientes estimados muy alta y un coeficiente de determinacién
‘muy bueno. El mayor problema es el estadistico de Durbin Watson, que es muy bajo.
Para probar si hay heteroscedasticiad entre secciones cruzadas, hacemos doble clic
sobre la variable RESID y elegimos View — Tests for Descriptive Stats > Equality Tests by
Classification (Figura 5-23). En la pantalla Tests By Classification (Figura 5-24) se elige la
variable cuya igualdad de varianzas en las distintas secciones cruzadas del panel se contrasta
(RESID). La Figura 5-25 muestra los resultados, observandose que se acepla la igualdad de
varianzas residual en las distintas secciones cruzadas (p-valor mayor que 0,05). No existe
entonces heteroscedasticidad entre secciones cruzadas,
Le
2 E.. af EF
fe ost ——
eee aay oahu Ese. itesan bi
Otmer ket vaiees 00 ee io
= eos =
as
Figura 5-24
El panel de coeficientes constantes estimado seria el siguiente:
LOG(COSTE), = -4.174783135 + 0.8879868182*LOG(Y) 1 + His
El problema de la autocorrelacién podrfa intentar resolverse con la introduceién de
una estructura AR(1) en los residuos, haciendo clic en Estimate y rellenado el campo Equation
Specification de 1a solapa Specification como se indica en Ia Figura 5-26. Al hacer clic en
Aceptar se obtienen los resultados de la Figura 5-27 donde se ve ya un estadistico de Durbin
Watson muy préximo a 2, buena significatividad individual y conjunta y buen R®
PeclrsLors franco lemenbesordose Pest
‘SeTe ot operon he oat ‘Sale edt 24
re Sait ee ae
Ca Ca Be
© MTES Paraninfo 239EOONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
EI panel de coeficientes constantes estimado sin autocorrelacién seria el siguiente:
LOG(COSTE),
011706 + 0,973382*LOG(Y) « + Ha
Ha = 0547739 p1ir1 +
El modelo general de efectos fijos presenta los residuos u, =a, +9, + €, siendo &,
variable aleatoria y a, (efectos de seccién cruzada) y ¢, (efectos de tiempo) deterministas,
Vamos a estimar el panel con efectos fijos de secciones cruzadas (efectos de
empresa), Para ello se elige Quick — Estimate Equation, se escribe la ecuacién del modelo a
ajustar en el campo Equation Specification de la solapa Specification, se elige Least Squares
en el campo Method para ajustar por minimos cuadrados (Figura 5-28), se rellena la solapa
Panel Options como se indica en la Figura 5-29 (se especifican efectos fijos de seccién
cruzada) y se hace clic en Aceptar. Se obtienen los resultados de la Figura 5-30 donde se ve un
estadistico de Durbin Watson razonable, buena significatividad individual y conjunta y buen
R®. Si queremos ver las estimaciones de los efectos fijos (Figura 5-32), basta con elegir View
~ Fixed/Random Effects > Cross Section Effects (Figura 5-31). Para probar si los efectos
fiios de las empresas pueden 0 no considerarse iguales utilizamos el test de méxima
verosimilitud para la redundancia de los efectos fijos eligiendo View — Fixed/Random Effects
Testing—> Redundant Fixed Effects-Likelihood Ratio (Figura 5-33). Se observan p-valores
menores que 0,01 (Figura 5-34), lo que nos Meva a afirmar que los efectos fijos de las
‘empresas son diferentes con un 99% de confianza al menos.
Satter
Figura 5-28 Figura 5-29
aap Gated cero: 2
Figura 5-30 Figura 5-31
240 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
[Cross-section Fixed Fffects
EMPRESA [Effect |
EMPRESA | Effect |_|
EMPRESA! | -0.294518 — a
EMPRESA? | 0512722 | <|| i $=
EMPRESAS | -0.040948
IEMPRESAs | 0.264521
EMPRESAS 0.088170
EMPRESA 0.495497
«
Figura 5-34
Segiin los resultados de las Figuras 5-30 y 5-32, la ecuacién del modelo de efectos
fijos de empresas ajustado es la siguiente:
LOG(COSTE)y = -2.39 + 0.67 LOG(Y)«~ 0,29 d = 0,51 dy -0,04 ds 40,26 ds + 0,08 ds + 0,49 d+ &
(d,= 1 para observaciones de la empresa iy vale dj = 0 en caso contrario)
Vamos a estimar el panel con efectos fijos de tiempo. Para ello se elige Quick —» Estimate
Equation, se escribe la ecuacién del modelo a ajustar en el campo Equation Specification de la solapa
Specification, se elige Least Squares en el campo Method para ajustar por minimos cuadrados
Figura 5-28), se rellena la solapa Panel Options como se indica en la Figura 5-35 (se especifican
«efectos fijos de tiempo) y se hace clic en Aceptar. Se obtienen los resultados de la Figura 5-36 donde
se ve un estadistico de Durbin Watson muy bajo, buena significatividad individual y conjunta y buen
R°. Si queremos ver las estimaciones de los efectos fijos de tiempo (Figura 5-38), basta con elegit
View — Fixed/Random Effects — Period Effects (Figura 5-37)
swap ome
Figura 5-35 Figara 5-36
© MTES-Paraninfo 241EOONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
bp Petodtieatmocts |
ee DATEOOT | efee
a 1 | Ooms
2 | oossore
3 omeess
Bite thane Pm a
Figura 5-38
Para probar si los efectos fijos de tiempo pueden o no considerase iguales utilizamos el
test de maxima verosimilitud para a redundancia de los efectos fijos eligiendo View —
Fixed/Random Effects Testing» Redundant Fixed Effects-Likelihood Ratio (Figura 5-39). Se
‘observan p-valores mayores que 0,05 (Figura 5-40), lo que nos leva a afirmar que los efectos fijos
de tiempo son iguales con un 95% de confianza, luego se prescinde de su estimacién,
ae D —
< Gis) ose
— cee eee || Prd Chisqune 3 bases
ied fad foci tet natn:
Sem ae COSTE
2 Dee O30! Tre 1731
Siueg Aciememe acme || Stet
‘we aeton ela 6
“een anced ebro 24
Figura 5-40
El modelo general de efectos aleatorios presenta los residuos u, =0, +4, +, siendo
todas las componentes variables aleatorias (en efectos fijos a, y 9, eran deterministas), Pero
habitualmente en efectos aleatorios suele prescindirse de los efectos temporales, teniendo sélo
en cuenta a alos que se denomina efectos individuales.
A continuaci6n estimamos el panel con efectos aleatorios. Para ello se elige Quick
Estimate Equation, se escribe la ecuacién del modelo a ajustar en el campo Equation Specification de
Ia solapa Specification, se elige Least Squares en el campo Method para ajustar por minimos
‘cuadrados (Figura 5-41), se rellena la solapa Panel Options como se indica en Ia Figura 5-42 (se
especifican efectos aleatorios de seccién cruzada) y se hace clic en Acepiar. Se obtienen los
resultados de la Figura 5-43 donde se ve un estadistico de Durbin Watson bajo, buena
significatividad individual y conjunta y buen R.
2426 ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Para ver si el modelo de efectos aleatorios es adecuado utilicaremos el test de Hausman
ligiendo View —> Fixed/Random Effects Testing—» Correlated Ramdom Effects-Hausman Test
(Figura 5-44), Se observa un p-valor menor que 0,05 (Figura 5-45), lo que nos leva a afirmar que
Ia hipétesis de que los efectos individuales estin incorrelacionados con Log(Y) debe de ser
modelo de efectos aleatorios no es adecuado,
rechazada. Por lo tanto el
fon ete
eel Ss
Figura 5-41
tose aroma
[woo Far BSUS Gace ccm arson
Sous “Taree
iieevese une
Siac Baxte
ata)
Siimndnea 37a faamacenn ase |LPeremce) Som ON
Figura 5-43 Figura 5-44
ite Fi Raion Vn) _ Pb
wer Owain arena _coNGe Ouse
Figura 5-45
© MTES Paraninfow 243EOONOMETRIA. CONCEPTS Y PROBLEMAS RESUELTOS
Mediante View —» Residual Tests —> Histogram-Normality Test se observa que el p-valor
del contraste de normalidad de Jarque Bera es superior a 0,05 (Figura 5-46), lo que indica residuos
normales con una confianza del 95%. La Figura 5-47 presenta los residuos estimados.
ve
esl) beefalo ented xeloabess) ERPeeeR een t
—— ee
ae ne
an beet 4 538!
ea —— pw
Hemos Ilegado a la conclusién de que el mejor ajuste para nuestro panel es el que
considera efectos fijos de seccién cruzada, es decir efectos fijos de empresa, Ya habjamos
visto que este ajuste viene dado por la ecuacién:
LOG(COSTE),
2.39 + 0.67 LOG(Y),~ 0,29 dy ~ 0.51 dy -0,04 d3 +0,26 ds + 008 ds +0,49 de 6
i, = | para observaciones de la empresa i y vale d) = 0 en caso contratio)
®5.2. Consideramos el archivo 5-2.w/1 que contiene informacién sobre 10 paises de la OCDE en los
afios 1960, 1970, 1980 y 1990. Se trata de ajustar con estos datos un modelo de panel que
‘explique la esperanza de vida (Ev) en funcién del Producto Nacional Bruto (PNB), el gasto
social (GastoS) y la protecién social (Cobertur).
Comparar los resultados de los ajustes con coeficientes constantes, efectos fijos por pats y
efectos aleatorios. Realizar un ajuste con efectos aleatorios robusto a la heteroscedast
Ia autocorrelacién
SOLUCION: Se trata de ajustar el modelo de datos de panel siguiente:
1,
Ev, = + fi PNB, + fz GastoS, + fy Cobertur, i= 1,10 t= 1960, 1970, 1980, 1990
Comenzamos dotando al conjunto de datos 5-2.wfl de estructura de datos de panel.
Para ello elegimos Proc — Structure/Resize Current Page (Figura 5-48) y en la pantalla
Workfile Structure elegimos Dated Panel como tipo de estructura de datos, la variable PAIS
‘como identificador de la seceién eruzada del panel y la variable ANO como temporal. El resto
de los campos los dejamos con sus valores por defecto (Figura 5-49). Al pulsar OK ya
tenemos el conjunto de datos 5-2.wfl con estructura de datos de panel observindose las dos
nuevas variables identificadoras dateid y dateid01 (Figura 5-50).
2446 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Ie ae 2a tre sa ae
2 Coal Stace
la wae Benson
a ent Opeibecisas™
Cx Gal
2 cant LTE,
Figura 5-48 Figura 5-49
Para estimar un panel de coeficientes constantes con nuestro datos, se elige Quick >
Estimate Equation, se escribe la ecuacién del modelo a ajustar en el campo Equation
Specification de la solapa Specification, se elige Least Squares en el campo Method para
ajustar por mfnimos cuadrados (Figura 5-50), se rellena la solapa Panel Options como se
indica en la Figura 5-51 (sin especificacién de efectos ni ponderaciones) y se hace clic en
Aceptar. Se obtienen los resultados de 1a Figura 5-52 donde se ve un estadistico de Durbin
Watson razonable, buena significatividad individual (salvo GastoS con un 70%) y conjunta y
buen R”, Mediante View —» Residual Test Histogram-Normality Test se observa que el p-valor
del contraste de normalidad de Jarque Bera es superior a 0,05 (Figura 5-53), lo que indica residuos
normales con una confianza del 95%.
TT
sho sal
P| Seem || |
chet Powel Sts
boss doowe Siro
Petrie)
Figura 5-52 Figura 5-53
© MTES Paraninfow 245ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
EI modelo estimado con coeficientes constantes resulta ser el siguiente:
Ey = 68.58208682 + 0.4612987749PNB - 1.720625774GastoS + 0.03083266217Cobertur + u
Vamos a estimar el panel con efectos fijos de secciones erucadas (Pais). Para ello se
elige Quick —> Estimate Equation, se escribe la ecuacién del modelo a ajustar en el campo
Equation Specification de la solapa Specification, se elige Least Squares en el campo Method
ara ajustar por minimos cuadrados (Figura 5-54), se rellena la solapa Panel Options como se
indica en la Figura
(se especifican efectos
jos de seccién cruzada) y se hace clic en
Aceptar. Se obtienen los resultados de 1a Figura 5-56 donde se ve un estadistico de Durbin
Watson razonable, buena significatividad individual (salvo GastoS con poco més de un 10%)
y conjunta y buen R?, Si queremos ver las estimaciones de los efectos fijos (Figura 5-58),
basta con elegir View —> Fixed/Random Effects —» Cross Section Effects Figura 5-57). Para
probar si los efectos fijos de Pats pueden 0 no considerarse iguales utilizamos el test de
méxima verosimilitud para Ia redundancia de los efectos fijos eligiendo View —
Fixed/Random Effects Testing» Redundant Fixed Effects-Likelihood Ratio (Figura 5-59). Se
observan p-valores menores que 0,01 (Figura 5-60), lo que nos lleva a afirmar que los efectos
fijos de las empresas son diferentes con un 99% de confianza al menos.
= ei oe a
Figura 5-54
bie eat
ee
odie “2B tat
2466 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Sree ee
Peele) Pespenleers] emvvlerent oases
[—_Coss-sactionFiveaeifecis «|| meme
tralia | 1.158780 Sector
Paustis ATISTSS rene ne 40
Blaica 0731522 fe Serr 1S Pr
anada S366 oro CE
ynamarea | 0.094698 — pee
EE UU 30s2164
Espaia 4.167740
ino Un =1 198473
seca 604342
ize 0.150107
EEE ES Tas
Tigura 5-58
Figura 5-60
Segtin los resultados de las Figuras 5-56 y 5-58, la ecuacién del modelo de efectos
fijos de empresas ajustado es la siguiente:
Evy = 65,07 + 0,32 PNB; - 0,21 GastoSy + 0,07 Cobertury— 1,15 di ~ 1,77 do -0,79 ds +0,035 dy~
0,094 ds + 3,03 da + 1,18 dy— 1,19 ds +0.6 dy + 0.15 dio +
@
para observaciones del pais i y vale d; = 0 en caso contrario)
Se observa que los mayores efectos fijos los presentan Estados Unidos, Espaiia y
Suiza, lo que indica que en estos paises las variables independientes afectan en mayor cuantia
ala variable dependiente.
A continuacién estimamos el panel con efectos aleatorios. Para ello se elige Quick —
Estimate Equation, se escribe la ecuacién del modelo a ajustar en el campo Equation Specification de
Ia solapa Specification, se elige Least Squares en el campo Method para ajustar por minimos
‘cuadrados (Figura 5-61), se rellena la solapa Panel Options como se indica en Ia Figura 5-62 (se
especifican efectos aleatorios de seccién cruzada) y se hace clic en Acepiar. Se obtienen los
resultados de la Figura 5-63 donde se ve un estadistico de Durbin Watson adecuado, buena
significatividad individual (salvo GastoS con poco més del 40%) y conjunta y buen R°
Para ver si el modelo de efectos aleatorios es adecuado utilicaremos el test de Hausman
ligiendo View —> Fixed/Random Effects Testing—» Correlated Ramdom Effects-Hausman Test
(Figura 5-64), Se observa un p-valor menor que 0,05 (Figura 5-65), lo que nos leva a afirmar que
Ia hipotesis de que los efectos individuales estén incorrelacionados con las variables explicativas
debe de ser rechazada al 95%, pero no al 90% ya que el p-valor no es menor que 0,01. Por lo tanto
cel modelo de efectos aleatorios es 0 no adecuado segtin el nivel de confianza que se exija.
© MTES Paraninfo® 247ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
‘Seatac Maina
ee)
Figura 5-61
Depeea vara
fs ert ets cxeseinseton tc)
Samet 122
[ota panel sane) ceenations 40
Vara Coateat OW Ere fee Pa
CeeRineousis done Setar _ Gam
Wagied Sates |Goescmaen ——~SC*~*~*« EO
Ramawes D7BI6I9 wean depndetvor aa aoe |] NS ————
[SE'ctogenen (O2s Suysquediond 10 —
fpcopcrcnne) dona MON POS aged Coen So aalnc’ Seam
Figura 5-63 Figura 5-64
oom ili Pere fone oe oto
Yaiebe Fed Pardon Vai) _ Pew
castes i Syeua Greinte ose
Figura 5-65
Mediante View —> Residual Test + Histogram-Normality Test se observa que el p-valor
del contraste de normalidad de Jarque Bera es superior a 0,05 (Figura 5-66), lo que indica residuos
‘normales con una confianza del 95%. La Figura 5-67 presenta los residuos estimados.
2486 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
CSL pee BI
ella en) meer En) fees ame eal
eocrame
Rackets +
ea
D7enne?
eer
Figura 5-66 Figura 5-67
En todos los ajustes que hemos realizado venimos arrastrando la poca significatividad
de la variable GastoS. Ello puede ser debido a la presencia de algin problema de
heteroscedasticidad 0 autocorrelacién tanto de seccién cruzada como temporal
Para probar si hay heteroscedasticidad entre secciones eruzadas, hacemos doble clic
sobre la variable RESID y elegimos View —» Tests for Descriptive Stats > Equality Tests by
Classification. En la pantalla Tests By Classification (Figura 5-68) se elige la variable cuya
igualdad de varianzas en las distintas secciones cruzadas del panel se contrasta (RESID). La
Figura 5-69 muestra los resultados, observéndose que hay disparidad de criterios para aceptar la
igualdad de varianzas residual en las distintas secciones eruzadas (p-valores mayores y menores
que 0,05 segiin el método), Puede existir entonces heteroscedasticidad entre secciones eruzadas.
tens sa
Seniinctadint hry roof 63 tau tase
ro Gieediewcaer
Oe Stdrmmo (me —]||| | waa evans
8 Semen 7 |] sean | _toat pi “ei
one ne pave Same
Be = caer
a es 3 eae
Figura 5-68 Figura 5-69
Ante las dudas sobre los problemas de heteroscedasticidad de secciones cruzadas,
serfa I6gico utilizar un método de estimacién para el panel robusto a heteroscedasticidad y
autocorrelacion, por ejemplo el método de los coeficientes de covarianza de White para
secciones eruzadas.
© MTES-Paraninfos 249ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Para realizar Ia estimacién del panel de efectos aleatorios mediante el método de los
coeficientes de covarianza de White para secciones cruzadas, se elige Quick —> Estimate
:quation, se escribe Ia ecuacién del modelo a ajustar en el campo Equation Specification de la solapa
Specification, se elige Least Squares en el campo Method para ajustar por minimos cuadrados
(Figura 5-70), se rellena la solapa Panel Options como se indica en la Figura 5-71 (se especifican
‘efectos aleatorios de seccién eruzada y coeficientes de covarianza de White de seccién eruzada) y se
hace clic en Aceptar. Se obtienen los resultados de la Figura 5-72 donde se ve un estadistico de
Durbin Watson adecuado, buena significatividad individual (ahora GastoS es significativa casi al
90%) y conjunta y buen R*. En la Figura 5-71 se ven otros métodos robustos de estimacién.
guna tet 2 ee
eer
Figura 5-70 Figura 5-71
(Depanaen Vai EY
lta Panel EGLS (rss actin random eis)
Jose nae Tw 1220
Semple 1 32
[Cosecians meus 10
etal cane (vances) cherticns:
Seay ard srr iso corporat varnces
[wie casei saad no's coaece ( cavetad)
vara rot Sd Ever State ra
© esr 1am7s) ase Comm
Pie Uwe Lure) Baas Lo
games Smee bien tAaee ced
coseRTUR 004319 dooms Ae91's ConoD
ree sc on anda 08% | O35
lssyrerte nto Dee! Uses
‘Waghiet Seles
O7EI510 Nan doranlevar—_(aawat
76238 SD cepardenvar 2 12ND
IS olmgersion 1.00234 Samaqure wed 3840012
stain (COG Dumb Wnsonsid 3
reuessusiny 0.000300
Figura 5-72
EI modelo estimado con efectos aleatorios y robusto a problemas de autocorrelacién y
heteroscedasticidad de seccién cruzada es el siguiente:
Evy = 67.79 + 0.39PNBy - 0.79GastoSy + 0.041 Cobertury + uy
Se observa que los diferentes ajustes obtenidos difieren muy poco en Ia estimacién de
Jos parémetros y no varian el signo de los mismos,
2506 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
5.3. Se pretende evaluar el efecto de un programa de formacién sobre Ia productividad de los
trabajadores de las empresas manufactureras. Se considera como variable explicativa el logaritmo
de las subvenciones recibidas por las empresas para formacién (grant) y como variable explicada
cel mimero de articulos de cada 100 producidos que se desechan por defectuosos (scrap). El archivo
5-3.wf1 almacena datos de 54 empresas para 1987, 1988 y 1989 (variable year) cuyos cédigos se
recogen en la variable feode. Las ayudas a la formacién se concedieron en 1988 y 1989 y las
‘empresas sélo las podian recibir una vez, Por ello es necesario considerar que Ia formacién de 1988
hizo més productivos a los trabajadores en 1989. Realizar un ajuste mediante datos de panel para
cexplicar la productividad en funcién de las subvenciones,
SOLUCION: Consideramos las variables explicativas ficticias d88 y d89 que recogen el aio
fen que se recibieron las ayudas a la formacién (valen 1 para observaciones del aio
correspondiente y 0 para el resto de observaciones). Ademés, como Ia formacién de 1988 hizo
més productivos a los trabajadores en 1989, se considera en el modelo un desfase de Ia grant
(grant_1), por lo tanto estamos ante un modelo de panel dindmico. Se trata entonces de
ajustar el modelo de datos de panel siguiente:
Log(scrap)y = + By d88;+ B> 89, + Bi Grant, + By Grant_ly
. 54 1= 1987, 1988, 1989
Comenzamos dotando al conjunto de datos 5-3.wfl de estructura de datos de panel.
Para ello elegimos Proc — Structure/Resize Current Page (Figura 5-73) y en la pantalla
Workfile Structure elegimos Dated Panel como tipo de estructura de datos, a variable
FCODE como identificador de la seccién eruzada del panel y la variable YEAR como
temporal. El resto de los campos los dejamos con sus valores por defecto (Figura 5-74). Al
pulsar OK ya tenemos el conjunto de datos 5-3.w/1 con estructura de datos de panel.
Stade
tae far
etre
tessa
tds
Figura 5-73 Figura 5-74
‘Como nuestro modelo presenta dindmica sélo en la variable explicativa grant (un
desfase suyo grant_I), podemos aplicar los métodos de ajuste habituales en paneles.
Inicialmente estimamos el panel con efectos aleatorios. Para ello se elige Quick —> Estimate
Equation, se escribe la ecuaci6n del modelo a ajustar en el campo Equation Specification de la solapa
Specification, se elige Least Squares en el campo Method para ajustar por minimos cuadrados
(Figura 5-75), se rellena la solapa Panel Options como se indica en la Figura 5-76 (se especifican
efectos aleatorios de seccién cruzada) y se hace clic en Aceptar. Se obtienen los resultados de la
Figura 5-77 donde se ve un estadistico de Durbin Watson bueno, buena significatividad individual
(salvo d88 y quizas grant) y conjunta y buen R”.
© MTES-Paraninfo 251ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Cees] Lome]
Figura 5-76
Para ver si el modelo de efectos aleatorios es adecuado utilicaremos el test de Hausman
cligiendo View — Fixed/Random Effects Testing—> Correlated Ramdom Effects-Hausman Test
(Figura 5-78). Se observa un p-valor mayor que 0.05 (Figura 5-79), Io que nos leva a afirmar que
Ia hipstesis de que los efectos individuales estén incorrelacionados con las variables explicativas
debe de ser aceptada al 95%. Por lo tanto el modelo de efectos aleatorios es adecuado.
‘ersurney Che) Sulane SvSR at
un Fea Su) Ph
Ee eer oe aaRe ome gam ae
Ts Sct gis, 3B
Figura 5-78
252 6© ITES-ParanintoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
La estimacién del modelo de efectos aleatorios seria la siguiente:
Log(Scrap) = 0.597 - 0.09388 - 0.271489 - 0.214Grant - 0.372Grant_l + u
Se observa que el valor desfasado de Grant tiene mayor efecto que el contempordneo.
A continuacién vamos a estimar ef panel con efectos fijos de secciones cruzadas
(Empresa). Para ello se elige Quick —> Estimate Equation, se eseribe la ecuacién del modelo a
ajustar en el campo Equation Specification de la solapa Specification, se elige Least Squares en el
‘campo Method para ajustar por minimos cuadrados, se rellena la solapa Panel Options como se
indica en la Figura 5-80 (se especifican efectos fijos de seccién cruzada) y se hace clic en Aceptar.
Se obtienen los resultados de Ia Figura 5-81 donde se ve un estadistico de Durbin Watson
razonable, buena significatividad individual (salvo 488) y conjunta y buen K°. Si queremos ver las,
estimaciones de los efectos fijos (Figura 5-83), basta con elegir View — Fixed/Random Effects
Cross Section Effects (Figura 5-82). Para probar si los efectos fijos de Pats pueden 0 no
considerarse iguales utilizamos el test de méxima verosimilitud para la redundancia de los efectos
fijos eligiendo View — Fixed/Random Effects Testing—» Redundant Fixed Effects-Likelihood Ratio
(Figura 5-84). Se observan p-valores menores que 0,01 (Figura 5-85), lo que nos leva a afirmar
«que los efectos fijos de las empresas son diferentes con un 99% de confianza al menos.
Se ee = TET
‘pee Pol Oe rote mati
see: [ote os
ose a
Figura 5-32 Figura 5-89
© MTES-Paraninfow 253ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
so. anorskavobrex) peecen esrb)
Eom Ure
Samer, Ze, Sm ome
Di O204c) Teme 108k
"apne eee) eens 162
Aaticsh agus Goer emi one
ios ee & ime ig
Bee ES ED ihe i
Figura 5-84 Figura 5-85
El modelo de efectos fijos estimado seré el siguiente:
Log(Scrap y = 0.597 - 0.08a88, - 0.247489, - 0.252Granty- 0.421Grant_ly + efi + uy
Las estimaciones son muy similares al caso de efectos aleatorios, con la diferencia de
‘que ahora la variable grant tiene mayor efecto tanto contempordneo como desfasado.
Por siltimo, estimamos el modelo de efectos fijos mediante un método robusto a la
heteroscedasticidad entre secciones cruzadas (cross section weights). Para ello rellenamos Ia solapa,
Panel Options como se indica en la Figura 5-86 eligiendo Cross section weights en el campo GLS
Weights (si se hubiese elegido Cross section SUR el ajuste del panel seria robusto a la
autocorrelacién de secciones cruzadas, y la robustez para heteroscedasticidad y autocorrelacién
‘temporales se obtiene con las opciones Period weigths y Period SUR). Al pulsar Aceptar se
obtiene el ajuste de efectos fijos robusto a la heteroscedasticidad mostrado en la Figura 5-87. Se
‘observa un aumento fuerte de las significatividades, El modelo estimado es muy similar al anterior:
Log(Scrap) = 0.576 - 0.076 d88 - 0.197d89 - 0.256Grant - 0.391Grant_l + ef; + uy
swede GanantanediW Siue 3ee
(gheoniner ene Som
non Pept
a Ee
Figura 5-86 Figura 5-87
2546 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Se observa que los diferentes ajustes obtenidos difieren muy poco en Ia estimacién de
Jos pardémetros y no varian el signo de los mismos,
5.4, Se dispone de informacién de las empresas de 22 ciudades (variable city) en las cuales se computa
cl nivel de desempleo (variable luclms) y su pertenencia © no a zona empresarial (variable ec)
durante los afios de 1980 a 1988 (variable year). Con estos datos recogidos en el archivo 5-4.w/l
se pretende explicar el desempleo en funcién del nivel de desempleo en el perfodo anterior y de la
pertenencia 0 no de las empresas a una zona empresarial. Realizar un ajuste mediante datos de
panel con efectos fijos temporales,
SOLUCION: Se trata de ajustar el modelo de datos de panel siguiente:
Luclmsy = r+ fj Luctmsis1 + Bo ein + + My
22 1 = 1980,...., 1988
Comenzamos dotando al conjunto de datos 5-4.wfl de estructura de datos de panel.
Para ello elegimos Proc — Structure/Resize Current Page (Figura 5-88) y en la pantalla
Workfile Structure elegimos Dated Pane! como tipo de estructura de datos, Ia variable CITY
‘como identificador de la secci6n cruzada del panel y la variable YEAR como temporal. El resto
de los campos los dejamos con sus valores por defecto (Figura 5-89). Al pulsar OK ya
‘tenemos el conjunto de datos 5-4.wl con estructura de datos de panel.
Bese ‘Suidee Ge
BS —_ a fo
sisal ‘Demaneton| CTY CBee |
— ome abs
iveealateaares
eR Os
Coma
Figura 5-88 Figura 5-89
Dado que se trata de un panel dinémico con la variable explicada desfasada,
utilizaremos variables instrumentales y el método de minimos cuadrados en dos etapas para la
estimacién del panel, Para estimar el panel de efectos fijos utilizaremos las variables en
diferencias con la finalidad de eliminar los efectos fijos. Ademés, utilizaremos la variable
Jucims(-2) como instrumento de luclms(-1),
A continuacién vamos a estimar el panel con efectos fijos temporales. Para ello se elige
Quick —> Estimate Equation, se escribe Ia ecuacién del modelo a ajustar en el campo Equation
Specification de la solapa Specification, se elige TSLS-Two Stage Least Squares (ISLS and AR) en el
‘campo Method para ajustar por minimos cuadrados en dos etapas (Figura 5-90), se rellena la solapa
Pane! Options como se indica en la Figura 5-91 (se especifican efectos fijos temporales), se rellena la
pantalla Instruments como se indica en la Figura 5-92 y se hace clic en Aceprar. Se obtienen los.
reulads de a Fgura 5-93 donde el mayor problema el sigifeavidd de la varaheendgena
retardada y bajo R’. Si queremos ver las estimaciones de los efectos fijos (Figura 5-95), basta con
legit View — Fixed/Random Effects — Period Effects (Figura 5-94)
© MTES Paraninfow 255ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Satara tatiana ocssen te
(ees eee — — 2
see sso
toma
hectare as
Sou aT
Coe) (oe oan
Figura 5-90 Figura 5-91
pa aed Wate Part Tse a
ae =|] Sate et
i puctuscry Seam
Late gr Brad wean)
SC Rowan aoe
D(Luclms;)
2566 © ITES-Paraino
1984.01.01
1985.01.01
1986.01.01
1987-01-01
1388.01-01
Cee i ee =I)
0.081174
0.052943,
Figuca 5-94 Figura 5-95
El ajuste de efectos fijos temporales estimado es el siguiente:
0,201 + 0,164D(Luclms;,.:) — 0,218 D(ezs) ~ 0,228
0.17714 0,06115 - 0,092t6 + my,
(1,= 1 para las observaciones del afio iy 1,= 0 en caso
1 - 0.068%) + 0,27315+
ccontrario)MODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Vamos a estimar ahora el panel dindmico anterior utilizando el método
generalizado de los momentos GMM siguiendo la metodologia de Arellano y Bond. Para
ello, en la solapa Specification de la pantalla Equation Estimation elegimos como método de
estimacién GMM/DED -Generalizad Method of Moments / Dinamic Panel data (Figura 5-96).
A continuacién hacemos clic en el botén Dynamic Panel Wizard de la parte inferior izquierda
de la Figura 5-96. Aparece el Asistente para Modelos de Datos de Panel de la Figura 5-97.
Haciendo clic en Siguiente sucesivas veces, se van rellenando las pantallas como se indica en las
Figuras 5-98 a 5-103. Al hacer clic en Finalizar en la Figura 5-104 se obtiene la Figura 5-105 que
presenta el ajuste equivalente sin utilizar asistente (haciendo clic en sus diferentes solapas se
‘observan los distintos campos rellenos). Al hacer clic en Aceptar se obtiene el modelo
estimado por el método GMM con la metodologia de Arellano y Bond. Mediante View —>
Representations obtenemos la ecuaci6n final del modelo ajustado (Figura 5-106),
ae)
Cs) (=)
Figura 5-96
Cteiget etre
Eitemronreresaeee
Coe ee) Cee
Figura 5-100
© ITES-Paraninfo« 257ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Stop nr Sa een nd:
e
| Om sa ii meio sn
eR SSE eee ene
Figura 5 102 Figura 5 103
Ee)
Gee) Coes)
Figura 5-104 Figura 5-105
ae tou Tene 22
sma ty ae
ues 2
ed ened 15
ead retune iptn [cotr0 rerce cowPeRwnTe GMN=PeRWHITE ER=ONES
tec er ce [eveLPeR) wCLNS LucuMS) EZ QOYNLUCLMS,2 EZ
eiNa)= oryet 9 + caN@OADIED
[Peapaiseenost ia) - curaisretobc ae) ree)
fessrenaoc ser) + ceyaisPencor ses) +cr)
[rssPer0c 165) + CAYISPERICOC SET) +O)
pessrennoctaes)
xosieed Conicies
Joo-cunucuns)=0 2941622281 goAniaucLN1)
f ztosaaa2epdaDuen + 05:05 oscar DISPERIOOC 192)
a sasatzostisPert00 195 - 02007200 QISPERIOD
ay § | fie So tasenenecrencaciees oasrreare
eae Fasetivoor er) <0 estar SPER try
wes [2429642085 eRISPERIOO( 1956")
scans CT? em seer 3 SER
Sistas Ghee SS’ SS
Figura 5-106 Figura 5-107
El ajuste es ahora el siguiente:
Luclmsy = 0,294Luclms;, ~ 0.218 ey + Efectos + we
Se observa que no es muy diferente del anterior, pero la significatividad de los
coeficientes ha aumentado,
2586 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
5.5. El archivo 5-5.wfl contiene combinaciones de secciones cruzadas de datos para los afios pares de
1972 a 1984 referidos a mujeres de 35 0 més afios sobre el mimero de hijos (kids) y otras
caracteristicas socioecondmicas como la educacidn (educ), la edad (age), la raza (black), la region
de residencia a los 16 afios (east, northcen, west, south) y el entorno de residencia a los 16 aos
(farm, orthrural, town, smcity, largecity). Con estos datos se trata de realizar un estudio de Ia
‘evolucién de Ia fertilidad femenina en el tiempo y controlar la fertilidad por nivel educativo, edad y
raza. Ademés se desea contrastar si la fertlidad afecta al entorno de residencia y a la regién de
residencia. ;La influencia del nivel educativo en la fertilidad ha cambiado en el tiempo?
SOLUCION: Como hay que realizar un estudio de Ia evolucién de Ia fertilidad femenina en el
tiempo, lo ldgico es introducir una variable ficticia en el modelo relativa a cada afio de las
‘combinaciones de secciones cruzadas (se excluye 1972 que se considera como afio base para evitar la
trampa de las variables ficticias). Asimismo se necesita controlar la fertilidad por nivel educativo,
edad y raza, lo que nos leva a introducir en el modelo las variables edu, age, age? y black
También se necesita controlar la fertilidad segtin la regién de residencia a los 16 aiios, lo que nos
eva a introducir en el modelo las variables ficticias east, northcen y west (south se considera como
‘base y no se introduce para evitar la trampa de las variables ficticias). Por tiltimo se necesita control
de fertilidad segin entorno de residencia a los 16 afios, por lo que consideraremos las variables
ficticias farm, othrural, town y smcity (largecity se considera como base y no se introduce para evitar
Jatrampa de las variables ficticias). El modelo a ajustar seré entonces el siguiente:
kids = f+ 6,y74+ 5,y76+ 5,y78 + 5,y80+ 5,y82 + dy84+
+ fledue + Page + Bage* + black + east + ynorthcen + Bywest +
+ Aifarm+ Bothrural + Bgtown+ B,smeity + €
Para realizar el ajuste por MCO se elige Quick —> Estimate Equation, se escribe la
ecuacién del modelo a ajustar en el campo Equation Specification de la solapa Specification
teniendo en cuenta la estructura ARIMA previamente identificada, se elige LS - Least Squares
(NLS and ARIMA) en el campo Method (Figura 5-108) y se hace clic en Aceptar. Se obtienen
los resultados de la Figura 5-109. El modelo presenta buena significatividad individual y
conjunta de los pardmetros estimados, altos coeficientes de determinacién y un estadistico de
Durbin Watson casi igual a 2. Luego la diagnosis del ajuste es correcta
Spe Oc
eet ay pg,
Skate nepenserkt ine 2570 Oe
Fe Pp pa eo ett e aise Siam ae
it 5 ar DE i a
Gee) Cees) ahs te
Figura 5-108 Figura 5-109
© ITES-Paraninfo« 259ECONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
‘Como estamos trabajando con combinaciones de secciones cruzadas, es necesario contrastar
Iaheteroscedasticidad. Para ello utilizamos el contraste de White mediante View —» Residual Test —>
White Heteroskedasticity (Figura 5-110) cuyos p-valores de la F y la Chi-cuadrado son menores que
0,05, lo que indica presencia de heteroscedasticidad al 95% (Figura 5-111). Para estimar el modelo
sin heteroscedasticidad rellenamos el campo LS and TLS Options de la solapa Options de la
pantalla Equation Estimation segiin se indica en la Figura 5-112. Al pulsar Aceptar se obtiene
Ia estimacién del modelo sin heteroscedasticidad de la Figura 5-113.
E SET SEO RES || Doeeee vate RESO
Coen 8a Ere
em ne See aa
O2Wes Gree 1a es
eee | O37
tire 2396
Desise Deb
BeSE60 Sctwac creer” 3.bEz7
Figure 5-110 a ~ Figaca 5-202
ne eS
Dieters | | Mates ‘Saree Glows Gace ris
Oot commen 5] cease yuan tae
Oterret (iia Sree cone tom tom
Comoe, ome Sonia jeeus Game
oan) Viet Slee BSGna ian
sel mommies Gate Geet Stas Sam
bate weer” toms Suet islam Oe
sass
Sst ene
Figura 5-112 Figara 5-113
‘Como la significatividad de las ficticias de afio es baja, contrastaremos si sus coeficientes
pueden considerarse sinmulténeamente mulos
Hyd, = 5, = 8) = 5 =
4=0
Para ello elegimos View — Coefficient Tests > Wald Coefficient Restrictions (Figura 5-
114), introducimos la condicién en la pantalla Wald Test y al hacer clic en OK se obtienen p-valores
dela F y la Chi-cuadrado menores que 0.05, por lo que se rechaza la hipdtesis de coeficientes nulos.
260 © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
(a) Ee) I
Sto, sco sense ncwmune Nast
eat
est Ey ee
Siecacn” aes Siemon CI
Figura 5-114 - Figura 5-115
Observando los coeficientes estimados de las ficticias de afio se observa una caida
continua de la fertilidad especialmente destacable en los aiios 80. Por ejemplo, En 1982 una mujer
tenia 0,52 hijos menos que en 1972 y en 1984 tenia 0,54 hijos menos que en 1972. Como el
coeficiente estimado de educ es negativo, las mujeres con més educacién tienen menos hijos. Con
‘un afio de educacién més una mujer tiene 0,128 hijos menos, Por otta parte, la edad tiene un efecto
marginal decreciente sobre la fertlidad, ya que el coeficiente de age*2 es negativo. Por otro lado,
la fertilidad de las mujeres negras es superior que la de las blancas (1,07 hijos por mujer més). Las
variables relativas a la educaci6n, Ia edad y la raza son muy significativas en el modelo.
Como la significatividad de las ficticias de entorno de residencia es baja, contrastaremos si
sus coeficientes pueden considerarse simultineamente nulos
Hy: B. = By = Bo= Bs =0
Para ello elegimos View — Coefficient Tests —» Wald Coefficient Restrictions (Figura 5-114),
{ntroducimos la condicién en Ia pantalla Wald Test (Figura 5-116) y al hacer clic en OK se obtienen p-
valores de la F'y Ia Chi-cuadrado mayores que 0,05 (Figura 5-117), por lo que se acepta la hipétesis de
ccoeficientes nulos simulténeamente para las vatiables de entomo de residencia, Por lo tanto no
podemos asegurar que la fertilidad afecte al entorno de residencia.
[wald Test.
ea aria el an Equator: United
[rect Statistic Probatity
tai 11860 11) 039
Ichesquare 4745598 4 o3us
Figura 5-116 Figura 5-17
‘Como la significatividad de las ficticias de regién de residencia no es adlecuada para todas
cllas, contrastaremos si sus coeficientes pueden considerarse simultineamente nulos.
Hy:B.= By
© MTES-Paraninfo 261EOONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Para ello elegimos View —» Coefficient Tests —» Wald Coefficient Restrictions (Figura 5-114),
introducimos la condicién en Ia pantalla Wald Test (Figura 5-118) y al hacer clic en OK se obtienen p-
valores de la Fy la Chi-cuadrado menores que 0,05 (Figura 5-119), por lo que se rechaza la hipstesis
de coeticientes nulos simulténeamente para las variables de regin de residencia. Por lo tanto podemos,
asegurar que la fertlidad afecta a la region de residencia, La fertilidad de la regién del centro norte es la
mayor, seguida del este y el oeste.
Wald Test
Equation: United
= ea
of RCH IAC AO
Test Statistic Value of Probbity
Fetatisie 3278.11) nat
Chisquare 9758535 3 oo
Grime, coRecin a)
Figura 5 118 Figura 5119
Para estudiar si la influencia del nivel educativo en la fertiidad ha cambiado en el tiempo
incluiremos en el modelo las interacciones de las ficticias de aio y la educacién, Para ello
rellenamos la solapa Specification de la pantalla Equation Estimation como se indica en la Figura
5-120 y rellenamos el campo LS and TLS Options de la solapa Options segin se indica en la
Figura 5-121. Al pulsar Aceptar se obtiene Ia estimacién del modelo ajustado de la Figura 5-122.
man opts mm ee
our
Sie
Oe a
eve 11) 1 teen oe Cluennece
Gee]
Figura 5-120 Figura 5-121
262+ © ITES-ParainoMODELOS CON DATOS DE PANEL Y COMBINACIONES DE CORTES TRANSVERSALES
Se observa que Ia influencia del nivel educativo en el nimero de hijos ha ido aumentando
cen sentido negativo a medida que avanzan los afios, es decir, que a medida que aumentan los aiios
ms disminuye el mimero de hijos por mujer al aumentar su nivel educativo (salvo en el afio 1980),
Por ejemplo, en el aito 1974 un aumento unitario en el nivel educativo provocé una disminucién de
0,05 hijos por mujer, en el aiio 1976 un aumento unitario en el nivel educativo provoes una
disminucién de 0,09 hijos por mujer y asf sucesivamente hasta Hegar al afio 1984 en el que un
aumento unitario en el nivel educativo provoe6 una disminucién de 0,17 hijos por mujer.
»5.6. El archivo 5-6.w/l contiene dos secciones cruzadas o cortes transversales de datos relativos a
1978 y 1985 respectivamente. Con esta informacién y a través de un modelo que hace
depender el salario (wage) del rendimiento educativo (educ), de la experiencia laboral (exper),
de Ia afiliacién 0 no a un sindicato (union) y de ser mujer o no (female), se trata de analizar si
el rendimiento de la educacién y el diferencial salarial por sexo han cambiado en el tiempo.
Estimar la diferencia entre los rendimientos educativos de 1978 y 1985. Evaluar la diferencia
ceneel diferencial salarial por sexo entre 1978 y 1985,
SOLUCION: Como se trata de evaluar cambios en el tiempo de rendimientos educativos y
diferenciales salariales por sexo, sera necesario introducir una variable ficticia para 1985 (con valor
1 para todas las observaciones de 1985 y 0 para el resto) y las interacciones entre Ia ficticia de aiio
_y85 y las variables educ y female, El modelo a ajustar seré el siguiente:
log(wage) = A, + 5,y85+ educ+ Seducx y85+ B,exper + Bexper? + Bunion +
+ B.female + 8, female x y85+ €
Para realizar el ajuste por MCO se elige Quick —> Estimate Equation, se escribe la
ecuacién del modelo a ajustar en el campo Equation Specification de la solapa Specification
teniendo en cuenta la estructura ARIMA previamente identificada, se elige LS - Least Squares
(NLS and ARIMA) en el campo Method (Figura 5-123) y se hace clic en Aceptar. Se obtienen
los resultados de Ia Figura 5-124. El modelo presenta buena significatividad individual y
conjunta de Jos parémetros estimados y un estadistico de Durbin Watson casi igual a 2. Luego
a diagnosis del ajuste es correcta
tom aR sehen ete
aod SaaS a
Cz) ee)
Figura 5-123 124
‘Como estamos trabajando con combinaciones de secciones cruzadas, es necesario contrastar
Iaheteroscedasticidad, Para ello utilizamos el contraste de White mediante View —» Residual Tests —»
White Heteroskedasticity (Figura 5-125) cuyos p-valores de la F’y la Chi-cuadrado son précticamente
0,05, lo que indica que Ia heteroscedasticidad no es relevante al 95% (Figura 5-126).
© MTES-Paraninfo 263EOONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
sites, aaa Foam Rams |] bess, SER US See oe
Dioner sx Tate? Foto) Oc thew dies damon Sete tae
Figura 5-125 Figura 5-126
Los pariimetros del modelo tienen las siguientes interpretaciones:
A= 00858 ‘constanie de 1978
B+ 6, = 00858001 ‘constante de 1985
x10
rendimiento educacién 1978
(+5) x100
(0,074740,0185)<100=9.32%
rendimiento educacién 1985
5 x100
‘cambio en rendimiento educacién entre 1978 y 1985
Jiferencia % salarial (aproximada) mujeres-hombres 1978
GE +3.) x100
=(.0;31740,085px100 = 25.2%
iferencia % salavial (aproxianada) anyjeres-houbres 1985,
3 x 100
085x100 = 8,5%
‘cambio en diferencia % salarial por sexo entre 1978 y 1985
En la tabla anterior se muestra que si analizamos los pardmetros estimados del
modelo en Ia Figura 5-125 (columna Coefficient) se observa que el rendimiento de la
educacién estimado para 1978 es del 7,47%. Para 1985 el rendimiento de la educacién
estimado es del 9,32%. La diferencia entre ambos es significativa al 5% (p-valor de
Y85EDUC = 0,0487). En 1978 se estima que las mujeres ganaban aproximadamente un
31,7% menos que los hombres (Ia diferencia porcentual exacta es del 27.2% ya que
e°*" 1 =-0272).
En 1985 se estima que las mujeres ganaban_ aproximadamente un 23,2% (-0.317
40,085 = -0,232) menos que los hombres (Ia diferencia porcentual exacta es del 21% ya que
e721 =-0,21).
La diferencia en el diferencial salarial por sexo entre 1978 y 1985 es significativa al
10% (el coeficiente de Y85FEM tiene un p-valor = 0,0977)
2646 © ITES-ParainoEOONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
6.1 INTRODUCCION A LOS MODELOS ESTRUCTURALES DE
ECUACIONES SIMULTANEAS
Los modelos estructurales de ecuaciones simulténeas surgen de la necesidad de
confrontar el almacén de modelos tedticos existentes en la economfa con los datos empfricos
relevantes. Un ejemplo introductorio muy sencillo de modelo estructural es el modelo de
equilibrio parcial, el modelo de demandwoferta para un mercado tinico. En cada lado del
mercado tenemos un conjunto de agentes econémicos cuyo comportamiento viene descrito por
‘una relacién estructural estocéstica. Los demandantes regulan sus compras de acuerdo con el
precio al que se enfrentan y la teorfa predice que la derivada parcial de la cantidad demandada
respecto al precio es negativa. De modo similar, los oferentes ajustan la cantidad ofertada
positivamente respecto al precio. Algtin mecanismo limpia el mercado en cada periodo. El
modelo lineal que describe este fendmeno es:
Yi + BirYar + Yi = My
Bai + Yn + Yay =r
(= precio, y= cantidad)
EI modelo es estructural porque cada ecuacién dibuja el comportamiento de un
conjunto de agentes econémicos y, simulténeo, porque los valores actuales de las variables
apatecen en cada una de las ecuaciones. Si la primera ecuacién describe Ia relacién de
demanda, la restriccidn fiz > 0 asegura una pendiente negativa y fy: > 0 asegura un funcidn de
oferta de pendiente positiva. Se puede imponer una restricciGn adicional, ys: > 0, que asegure
un término de intersee:
n positivo en la funcién de demanda. Los términos de perturbacién u
Yu representan cambios en las funciones que son los efectos netos de las variables que, de
momento, no se modelizan explicitamente.
Ante esta situacién, un analista de la demanda ajustarfa una regresi6n a un conjunto de
datos y estimaria una ecuacién de demanda. Un analista de la oferta ajustarfa una regresin a
los mismos datos y estimaria una ecuacién de oferta. Pero el economista de “equilibrio
general” tendrfa en cuenta ambas funciones simulténeamente intentarfa estimar dos
funciones separadas a partit de una dispersién bidimensional con la finalidad de poder
estimarse los parémetros de cualquier ecuacién del modelo. Si pueden efectivamente
obtenerse estimadores con significado econmico de los pardmetros estructurales del modelo,
diremos que ef modelo de ecuaciones simultéineas es identificable.
En notacién matricial el modelo de ecuaciones simuténeas anterior puede expresarse
com sige
Yn Yn
Las variables del modelo se clasifican en endégenas y exdgenas. Las variables
end6genas son yi, € Yn y las variables exégenas en este caso tan simple s6lo estén formadas
por la variable ficticia x, =1. El término de error o vector de perturbaciones es 1
1 *|
By, + Cx =u con B=
le 4
2666 © ITES-ParainoMODELOS DE ECUACIONES SIMULTANEAS Y SISTEMAS, SISTEMAS DE DATOS DE PANEL
En el modelo se tienen en cuenta los supuestos adecuados acerca el vector de
perturbaciones. Suponemos que las perturbaciones se distribuyen normalmente 1, = iidN(0,2)
donde © es una matriz de varianzas y covarianzas definida positiva, son homoscedésticas y no
estin correlacionadas serialmente, aunque existe la posibilidad de que se correlacionen
‘contemporneamente
‘Como lo habitual en cualquier modelo es expresar las variables end6genas en funcién
de las exégenas, multiplicamos por B" la ecuacién By, + Cx; =u, y tenemos:
y= Tle, +y, donde T=-BC yy =-B™u,
La ecuacién yy
que v= ~ iid (0,2) con
Tlx, + ¥; recibe el nombre de forma reducida del modelo. Se cumple
BEB
A continuacién consideremos un modelo mas realista de demanda/oferta:
Yur + Badan + YarXis + Yoa¥ay = Moy
Bards + Yas * Yasir # VasXir * Yaak = May
La variable x es una variable fieticia con valor uno en todos los perfodos y cuyo
significado es abastecer el término de interseccién, x2 representaria el ingreso que, segiin la
teoria econémica, afecta a la demanda; y x; y Xs serfan las variables que afectan a la oferta.
Existe también la posibilidad de que ciertas variables x sean valores retardados de y. Por
ejemplo, el precio retardado podria afectar a 1a oferta actual. También es posible que existan
valores retardados del ingreso y de otras variables ex6genas de la especificacién. La categoria
de variables end6genas retardadas y variables ex6genas retardadas y actuales, constituye el
conjunto de variables predeterminadas. La caracteristica més importante de las variables
predeterminadas es que son independientes de las perturbaciones actuales y futuras. Esta
propiedad se sostiene para las variables ex6genas por definicién y también para variables
endégenas retardadas porque se supone que los términos de perturbacién son serialmente
independientes. Expresaremos el modelo en formato matricial:
By. + Creu
1 *| [j: % 0 |]
B= c=
[> 1 Yn 0 Yn You
La matriz de coeficientes en forma reducida y, = Tx, + ¥, es
ice l[ Crit Bata) -%o Balas Aural
Rr A=1-fy By
Leno Brtix —Yos ~Ya bee
"Yag Pa Yoga
Una vez obtenidas las f, calcularemos A y seguiremos determinando los cinco coeficientes
‘ydel modo habitual. Asf pues, identificamos las ecuaciones de demanda y oferta de la ecuacién,
-B'C = By
(i Fn Ts me]
Ay Mn Ms TM
© ITES-Paraninfo 267EOONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
6.2 IDENTIFICACION DE MODELOS DE ECUACIONES
SIMULTANEAS
Es necesario buscar unas reglas generales para establecer si una ecuacién estructural
es 0 no identificable. El modelo general lineal de ecuaciones simulténeas tiene la expresi6n:
By, +
donde B es una matriz de coeficientes de variables endégenas actuales de G x G,C una matriz,
de coeficientes de variables predeterminadas de G X K, y Ys X1y uy Son vectores columna de
G, Ky G elementos, respectivamente. De modo que tenemos:
Br Ba = Boo ta Yao Nw
p=| Fn Ba Bc} o_|ta Inv Ye
Bar Ba Bes Yor Yor “Yow
Vu Uy
Var Ma
: u,=|"°
Yo Xe Noy
Sera necesario normalizar los coeficientes . Existen muchas reglas de normalizacién
entre las que elegir. Si es posible, haremos que los coeficientes de la primera variable
endégena de cada ecuacisn sea igual a uno, esto es, reemplazaremos la primera columna de B
por un vector unitario. Més habitual resulta sustituir la diagonal principal de B por un vector
unitario.
Podemos escribir el conjunto de ecuaciones del modelo como:
Az, =[B ell |-
donde A es la matriz. G x (G + k) de todos los coeficientes estructurales y z, es el vector de
observaciones (G + K) x I de todas las variables en el periodo t.
Abordamos ahora un método de identificacién que posteriormente puede ser aplicable
a cualquier ecuaci6n estructural. Consideremos ahora la identificacién de Ia primera ecuacién
del sistema, Formularemos la primera ecuacién estructural como az; = uy, donde ar indica la
primera fila de A
Es comin que Ia teorfa econdmica imponga restricciones sobre los elementos de a,
Por ejemplo restricciones de exclusi6n que especifican el hecho de que determinadas variables
no aparezcan en determinadas ecuaciones. Supongamos, por ejemplo, que ys no aparece en la
primera ecuacién, La restriccin pertinente es fix = 0, que puede expresarse como una
restriccién lineal homogénea sobre los elementos de a,
2686 © ITES-ParainoMODELOS DE ECUACIONES SIMULTANEAS Y SISTEMAS, SISTEMAS DE DATOS DE PANEL
0
0
1
Br Ba Bo ty ell |=0
0.
‘También puede haber restricciones lineales homogéneas que incluyan dos 0 més
elementos de as. Especificar, por ejemplo, que los coeficientes de y: € y2 soi
expresaria como
ales, se
-1
1B: Br rl} o
0
mnes a priori sobre 1a primera ecu
in, se expresarian
o1
0 -1
4®=0 donde @=|' °
00
00
La matriz @ tiene G + K filas y una columna para cada restriccién impuesta a priori
en Ja primera ecuacién.
Adicionalmente a las restricciones incluidas en Ia ecuacin, habré también
restricciones sobre ay originadas en las relaciones entre los coeficientes estructurales y los de
Ia forma reducida.
Segiin la ecuaci6n, formulamos B/T+ C
oAW=0 donde w-[]
Asi pues, las restrieciones de los coeficientes de la primera ecuacién estructural son:
a,W=0
Combinando las ecuaciones obtenemos el conjunto completo de restricciones
tenemos:
alw o]=0
© ITES Paraninfo 269EOONOMETRIA. CONCEPTOS Y PROBLEMAS RESUELTOS
Existen G + K pardmetros desconocidos en ay. La matriz [VW ®] tiene de orden
(G + K) x (K + R), donde R es el nimero de columnas de ®. Suponiendo que conocemos I,
todos los elementos de [W ®] serdn conocidos. Por lo tanto, Ia ecuacién constituye un
conjunto de K + R ecuaciones de G + K parimetros desconocidos. La identificacién de la
primera ecuacién precisa que el rango de [W @] sea G + K -1 ya que, en dicho caso, todas
las soluciones de la ecuacién se sittian en un tinico haz que pasa por el origen. Cuando
normalizamos Ia primera ecuaci6n igualando a uno cierto coeficiente (por ejemplo, fi1=1),
‘obtenemos un tinico punto del haz de soluciones y ay queda determinado.
En resumen, para identificar la primera ecuacién estructural en funcién del rango p de
[W ©] se necesita que se cumpla la siguiente condicién de rango:
pW o|=G+K-1
La condicién de rango se utilizara para examinar la identificabilidad de cualquier ecuacién
estructural del modelo. Esta condicién viene determinada por Ia matriz @ que resulta de las
restricciones a priori sobre dicha ecuacién. La aplicacién de dicha condicién de rango suele
realizarse en sistemas muy pequefios. Sin embargo, resulta féeil desarrollar y aplicar una condicién
necesaria de identificabilidad. La condicién de rango es insostenible si [W ®] no tiene un
minimo de G + K -1 columnas. Por lo tanto, la condici6n necesaria para que la ecuacién cumpla
cesta condicién es K + R 2 G + K-1 = R2G —1. Dicho de otro modo, la condicién necesaria de
identificabilidad 0 condicién de orden es que el niimero de restricciones a priori debe ser, como
‘minimo, tan grande como el niimero de ecuaciones del modo menos uno.
En el caso en que las restricciones son sélo restriceiones de exclusién, la condicién
necesaria de identificabilidad o condicién de orden exige que el ntimero de variables excluidas
de la ecuacién estructural debe ser, como minimo, tan grande como el niimero de ecuaciones
del modelo menos uno. Sig = mimero de variables endégenas actuales incluidas en la
ecuacién y k= mimero de variables predeterminadas incluidas en la ecuacién, entonces, R =
(G ~ g) + (K ~ ky la condici6n necesaria de identificabilidad o condicién de orden se
convierte en (Gg) + (K -k) > G~ 1=> K~k2g-l, 0 equivalentemente, ef ntimero de
variables predeterminadas exeluidas de la ecuacién debe ser, como minimo, tan grande
como el niimero de variables endégenas incluidas menos uno. Si K~k > g - la ecuacién es
sobreidentificada, si K - k = g -1 la ecuacién es exactamente identificada y si K- k