APUNTES DE CLASE ECONOMETRÍA I

UDI ECONOMETRÍA E INFORMÁTICA

Prof. Ramón Mahía

ramon.mahia@uam.es

HIPÓTESIS ESTRUCTURALES: CAMBIO DE ESTRUCTURA

¿Qué se entiende por Cambio Estructural en el marco del MBRL?:

Un modelo econométrico se plantea como una representación analítica de un

determinado sistema de relaciones entre variables; unas relaciones que, en su
conjunto, definen una determinada estructura.

Los modelos econométricos representan las relaciones de esa estructura a partir de un

conjunto de parámetros “β” que ligan, para cada ecuación del modelo, la variable
endógena y las exógenas (o explicativas):

Yi   1 X 1i   2 X 2i      u i

La definición analítica del modelo, establece como hipótesis de partida que los
parámetros “βj” asociados a cada variable exógena son únicos y válidos para
representar la relación entre la endógena “yi” y cada una de las exógenas “xji” a lo
largo (o ancho) de la muestra de datos seleccionada en el análisis. Esto es, los
parámetros (la relación analítica) son idénticos para todas las observaciones
maestrales (no tiene subíndice “i”); dicho de otro modo, la representación analítica
sostiene que la estructura de relaciones entre variables se mantiene constante.

Ejemplo: Si planteamos un modelo temporal que trate de explicar el

crecimiento de las ventas de nuestra empresa en función de nuestro esfuerzo
publicitario y nuestros precios y, para ello, tomamos una muestra de datos que
cubre el período 1970-2006, los parámetros estimados utilizando esa
información serán únicos para todo el período, lo que implica, desde el punto
de vista teórico, que la relación entre publicidad y ventas o entre precios y
ventas se ha mantenido constante en los últimos 27 años. (No los valores de
las ventas, publicidad y precios, sino la relación que explica los cambios de las
ventas ante variaciones en precios y publicidad).

Si esta hipótesis de permanencia de los parámetros se incumple hablamos entonces

de CAMBIO ESTRUCTURAL que, por tanto, se define como la evidencia de
alteración de los parámetros del modelo a lo largo de las observaciones
muestrales utilizadas; resulta en este caso difícil admitir, por tanto, que la realidad
pueda representarse analíticamente con un único conjunto de parámetros “β”.

¿Por qué se produce?:

- Inicialmente, y en términos generales (aunque abstractos) debe decirse

que la hipótesis de permanencia estructural es muy restrictiva. La
econometría se interesa en observar la relación entre las variables de un
sistema o subsistema económico entendiendo, esencialmente, que estos
sistemas son sistemas dinámicos: la hipótesis de permanencia estructural
sostiene que las variables (sus valores) cambian, pero que las relaciones entre
ellas se mantienen constantes. Parece, sin embargo, que en este contexto en
 el que la variabilidad, la dinamicidad, el cambio, juegan un papel clave,
sostener una visión estática del sistema en cuanto a las relaciones entre
variables es poco realista. En definitiva, el propio marco de análisis invita a
pensar que, con mayor o menor relevancia cuantitativa, los sistemas
analizados mediante un enfoque econométrico presentarán siempre cierta
variabilidad estructural. Desde el punto de vista operativo no se discute esta
afirmación previa y, de hecho, no es operativamente importante que exista un
cierto cambio estructural moderado, pero sí interesa observar hasta que punto
ese cambio estructural tiene suficiente envergadura como para poner en
cuestión los resultados obtenidos con la visión estática de un MBRL.

- AsÍ pues, una primera situación, esencial, casi inevitable en cualquier modelo,
es aquella por la que, aún sin variar el esquema analítico (las variables
relevantes y su forma de medirlas para explicar la endógena) se traduce en
una inestabilidad de los coeficientes a lo largo (o ancho) de la muestra
utilizada.

- Junto a la cuestión de partida antes mencionada, difícil de evitar por parte del
modelizador, existen otros factores relacionados con el cambio estructural que
sí pueden ser resueltos o anticipados por el económetra entre los que
destacaremos especialmente:

o La omisión de variables relevantes en la especificación de un

MBRL. Efectivamente, la sub-representación de la estructura, puede
provocar la inestabilidad de los coeficientes de las variables
consideradas. Es decir, si omitimos parte de los factores explicativos de
la evolución de una determinada variable endógena, es fácil suponer
que el modelo “parcial” propuesto no sea capaz de representar con
solidez el problema analizado y muestre cierta variabilidad en sus
coeficientes en la medida en que los “factores olvidados” presenten
también cierta variabilidad.1

o La alteración de la estructura analítica a lo largo del período

analizado. Se trata, en este caso, de un cambio en el sistema
analizado, en su estructura, y no tanto de un error en la determinación
del mismo. Esta situación es la más comprometida desde el punto de
vista de su corrección ya que, en la mayoría de los casos exige, bien
una reducción de la base muestral utilizada (con el fin de utilizar el
modelo para representar una única estructura, la más reciente), bien el
empleo de modelos con parámetros cambiantes.

- Un apunte adicional de interés tiene que ver con el uso de modelos

transversales. El cambio estructural no es sólo un fenómeno asociado a los
estudios “temporales”. Independientemente de errores en la especificación, en
este tipo de modelo la presencia de una muestra global suma de muestras
agrupadas, de segmentos muestrales resulta, si cabe, aún más probable con
el agravante de que, la disposición original de los datos utilizada por el
económetra puede dificultar el proceso de detección del problema y requiere,
por tanto, una mayor sensibilidad del analista ante la eventual manifestación
del problema.

1
Así, por ejemplo, piense en un modelo en que, para explicar las ventas de nuestra empresa, hayamos recurrido a
nuestra publicidad y nuestros precios pero hayamos olvidado la publicidad y los precios de la competencia. Es evidente
que nuestro esfuerzo publicitario, por citar sólo la primera explicativa, será más o menos efectivo en función del
esfuerzo realizado por la competencia y que, por tanto, si olvidamos incluir esta variable de competencia, el parámetro
estimado para la relación entre nuestro gasto publicitario y nuestras ventas no podrá ser constante.
¿Cómo se detecta?: La detección del cambio estructural puede llevarse a cabo de
muy distintos modos, Antonio Pulido y Julián Pérez (Modelos Econométricos, pg. 435),
clasifican los métodos en tres grupos de estrategias analíticas bien distintas que, en
realidad, pueden resumirse en dos:

- Contrastes basados en la comparación de modelos restringidos y no

restringidos:

o Test Chow
o Contraste Wald
o Ratios de Verosimilitud
o Test del Multiplicador de Lagrange

- Contrastes basados en estimaciones recursivas

o CUSUM
o CUSUM –SQ

Presentaremos en este documento introductorio el Test de Chow, como procedimiento

confirmatorio sencillo (aunque limitado) de detección de cambio estructural basado en
la comparación de modelos, e introduciremos la idea que subyace en la aplicación de
los contrastes recursivos.

- Test de Chow

Dentro del primer conjunto de métodos, vamos a desarrollar aquí el llamado Test de
Chow2, un test paramétrico3 sobre los residuos de estimaciones alternativas cuya
aplicación precisa de los siguientes requisitos:

1. El test de Chow no “busca” cambios estructurales en la muestra, sino que

confirma o desmiente una sospecha previa de cambio estructural por parte del
modelizador. Así pues, debe conocerse el punto o los puntos de cambio de
estructura; en la práctica sospechamos, por tanto, y a priori, de la aparición de
un punto de ruptura, bien por la existencia de razones teóricas que avalen
conceptualmente ese cambio4, bien por observar, en los resultados obtenidos,
alguno de los síntomas habituales en presencia de un cambio estructural
(cambio o ruptura en la dinámica de los errores, intervalos de confianza
sistemáticamente amplios para las variables exógenas seleccionadas….)

2. Conviene que el punto de cambio “sospechoso” (por ejemplo, el año en que

sospechamos que la estructura empezó a cambiar) no se encuentre muy cerca
del principio o final de la muestra. Es decir, lo ideal es que este punto de
ruptura divida la muestra total en dos “trozos” (submuestras) suficientemente
amplias. La razón de este requisito estriba en que, como se verá más adelante,
para poner en marcha el Test de Chow, vamos a estimar nuestro modelo, por
separado, en cada una de las dos submuestras (estructuras diferentes) así
2
Los primeros trabajos relacionados con este test se encuentran en: Chow, C.G. Econométrica, Vol.28. Num. 3. 1960
aunque el desarrollo de la expresión simplificada que se presenta en el texto es obra de F.M Fisher. Econometrita. Vol.
38. Num 2. (1970).
3
Se entiende por test paramétrico aquel que cuyo resultado puede expresarse en términos de probabilidad recurriendo
a la utilización del contraste de hipótesis estadístico habitual (definición de un estadístico de contraste, establecimiento
de hipótesis nula, observación en tablas del valor crítico….)
4
Por ejemplo, en un modelo para explicar la generación de empleo en la economía española estimado entre 1990 y
2006 sabemos que, en determinados momentos de la muestra se han producido cambios legislativos importantes en
materia laboral que podrían haber afectado a las relaciones entre las variables del modelo.
 que, en cada una de ellas, necesitamos un número suficiente de datos como
para poder estimar.

Una vez dadas estas condiciones de partida, la forma de operar para realizar el
contraste es sencilla; para el caso de un único punto de cambio estructural:

1. Se divide la muestra total de tamaño “n” en las dos submuestras que

determina el punto de corte de tamaños “n1” y “n2” respectivamente.

2. Además del modelo inicialmente estimado (el originalmente estimado

para el total de la muestra) se estiman ahora dos modelos más, uno en
cada una de las dos submuestras identificadas. De cada una de estas
dos nuevas estimaciones parciales se obtendrá, evidentemente, un
conjunto de parámetros diferentes así como unos errores de estimación
diferentes.

3. Utilizando los errores de la estimación original y de las dos estimaciones

parciales se elabora el siguiente contraste, cuya hipótesis nula será que
los dos conjuntos de parámetros (los derivados de los sub-modelos de
las distintas sub-muestras) son iguales:

( e ' e  ( e1' e1  e2' e2 )) / k

F( k ,n1  n2  2 k ) 
( e1' e1  e2' e2 ) /( n1  n 2  2k )

donde (e’e) es la suma cuadrática residual para el modelo global

estimado con “n” datos, (e1’e1) es la suma cuadrática residual para el
modelo estimado en la primera submuestra de tamaño “n1” y (e2’e2) es la
suma cuadrática residual para el modelo estimado en la segunda
submuestra de tamaño “n2”.

El contraste propuesto es extremadamente sencillo de comprender. Si se observa con

atención, se comprueba que el numerador de la expresión compara los residuos
obtenidos en el modelo único (e’e) frente a los residuos obtenidos en las dos
estimaciones parciales (e1’e1) y (e2’e2). Es decir, se están comparando dos estrategias
distintas de estimar el modelo: una estrategia en la que la muestra se utiliza al
completo (porque se entiende que no hay cambio estructural) con otra estrategia en la
que, en lugar de un único modelo, se estiman dos modelos, porque se entiende que
hay dos estructuras diferentes en la muestra.

El test trata de expresar, por tanto, si la estimación única genera más errores que una
estimación partida. Si fuera así, si los errores obtenidos con una única estimación
fueran claramente superiores a los obtenidos cuando se opta por dos modelos, debe
entenderse que existe cambio estructural. Por el contrario, si los errores cometidos con
la utilización de único modelo son similares a la suma de los errores cometidos con
dos modelos parciales no habría razón para pensar que la muestra contiene un
cambio estructural.

Podrá observarse en la expresión, que una vez computada la diferencia de errores,

esta se expresa en términos porcentuales, con el objeto de eliminar el efecto del
tamaño de las unidades de medida; y se corrige, como en todo contraste, numerador y
denominador, por los grados de libertad utilizados en cada expresión5.
5
Los grados de libertad del numerador “k”, provienen de la combinación de los grados de libertad utilizados para el
cálculo de las sumas cuadráticas residuales expresadas en el mismo: (n-k) para el modelo total, (n 1-k) para el modelo
Evidentemente, desde el punto de vista matemático, aún cuando no existiera cambio
estructural el error cometido con una única estimación será siempre superior a la suma
de los errores parciales 6; lo que el test trata de determinar es si esa ganancia es lo
suficientemente grande como para sospechar que existe un cambio estructural
relevante.

Puede comprobarse que este test se distribuye como una ratio “F” de modo que su
empleo para el contraste de la hipótesis nula es sencillo: cuando el valor de este
estadístico calculado supera al valor de tablas de una distribución “F” debe
considerarse que existe cambio de estructura (Es decir, cuando esta ratio toma un
valor muy grande, superior al de tablas, en nuestros cálculos, esto significa que el
error cometido con un único modelo es mucho mayor que la suma de errores
cometidos con dos estimaciones parciales lo que avala la existencia de un punto de
cambio estructural).

Las limitaciones de este contraste son obvias:

- Para su aplicación, debemos conocer previamente el punto corte, es decir,

no es un contraste con capacidad para “detectar” cambio de estructura,
sino para “confirmar” la sospecha de su existencia en un determinado
punto.

- El contraste pierde potencia a medida que el punto de corte se acerca a los

extremos dado que, en ese caso, una de las dos estructuras estará sub-
representada por la muestra y será difícil observar entonces el cambio en la
calidad de la estimación (y en los errores cuadráticos)

- Es sensible a la presencia de heterocedasticidad. Efectivamente, la

presencia de heterocedasticidad (que puede no estar causada por diversos
problemas) se manifiesta en una evolución no constante de los errores de
la estimación (lo errores tienden a crecer o a decrecer según avanzamos en
la muestra), de modo que esa evolución en los errores puede provocar un
resultado significativo del test de Chow (que en definitiva también compara
los errores por subperíodos) y una falsa conclusión sobre la existencia de
un cambio estructural.

Además de la versión del test expuesta, existen algunas variaciones de este contraste
pensadas para situaciones especiales. Por ejemplo, es habitual que alguna de las dos
submuestras en las que puede dividirse el período no sea suficientemente amplia. En
este caso, no podríamos estimar el modelo en la muestra insuficiente al carecer de
grados de libertad y, por tanto conviene utilizar la denominada versión reducida del
Test de Chow que considera sólo los errores de la submuestra para la que tenemos
suficiente número de datos.

( e ' e  e1' e1 ) / n 2  k
F( n2  k ,n1 k ) 
( e1' e1 ) /( n1  k )

La interpretación y el manejo del test son idénticos al expuesto para la expresión inicial
aunque, como puede observarse ahora sólo se compara la estimación total con una
estimado en la primera submuestra y (n 2-k) para el modelo estimado en la segunda submuestra. Así, (n-k)-( (n 1-k )-(n2-
k))=k.
6
Las estructuras siempre cambian, aún de forma muy leve, por lo que fraccionar la estimación de un modelo en trozos
siempre generará menores errores totales. (Otra cosa distinta es la menor fiablidad de los resultados obtenidos con
muestras más pequeñas).
única estimación parcial y no dos (la realizada sobre la muestra de datos de suficiente
tamaño)

- Introducción al test de estimaciones recursivas

Esta familia de contrastes se apoya en la estrategia de realizar estimaciones

recursivas de un mismo modelo comparando una estimación inicial realizada sobre
una muestra de tamaño mínimo de datos con estimaciones sucesivamente en las que
se van incorporando progresivamente el resto de observaciones muestrales hasta
agotar el conjunto de datos disponibles, tal y como se muestra en la siguiente
ilustración.

Ilustración simple de la estrategia

de la estimación recursiva

La idea del procedimiento es sencilla: en la medida en que la estructura cambie

notablemente alterándose los valores de los coeficientes del modelo, los resultados
obtenidos en las estimaciones recursivas deben variar notablemente, bien en sus
parámetros, bien en los residuos promedio obtenidos en cada uno de ellos, bien en
ambos.

La simple representación gráfica de los resultados obtenidos en las estimaciones

recursivas puede ayudarnos a calibrar la intensidad de un cambio estructural en el
modelo. Por ejemplo, el siguiente gráfico muestra la evolución creciente de un
determinado parámetro ( que denominamos c(1) ) de una regresión según se van
añadiendo observaciones muestrales en la estimación del modelo a partir de una
estimación inicial desde 1970 a 1992.

Ejemplo gráfico de estimaciones recursivas

para un parámetro
 0.004

0.002

0.000

-0.002

-0.004
95 96 97 98 99 00 01 02

Recursive C(1) Estimates ± 2 S.E.

Del mismo modo, el gráfico siguiente ilustra sobre los errores (residuos recursivos),
también crecientes, que se van cometiendo en las estimaciones sucesivas del modelo:

Ejemplo gráfico de estimaciones recursivas

para un parámetro

80000

60000

40000

20000

-20000

-40000

-60000

-80000
92 93 94 95 96 97 98 99 00 01 02

Recursive Residuals ± 2 S.E.

No obstante, junto a las medidas gráficas puede elaborarse alguna medida cuantitativa
que nos permita contrastar si las variaciones en las estimaciones recursivas son
suficientemente amplias. Esta es la utilidad de los conocidos contrates CUSUM,
CUSUM-SQ o MOSUM 7 en cuyo desarrollo y aplicación no vamos a detenernos pero
cuya utilización es sencilla: todos estos contrastes se construyen a partir de la suma,
debidamente estandarizada, de los residuos recursivos expresados en términos
promedio; un valor de los contrastes por encima de los valores de tablas indican
cambio estructural.

¿Cuáles son las consecuencias del cambio estructural sobre el MBRL?:

En términos generales, los principales problemas derivados del cambio estructural

son:

- En presencia de dos o más estructuras representadas con único modelo, la

estimación de un único modelo no puede capturar esas diversas realidades con
un único conjunto de parámetros. Así pues, los parámetros obtenidos en una
7
Los desarrollos completos de estos test pueden encontrarse en el libro Modelos Econométricos, de Antonio Pulido y
Julián Pérez, pg. 444 y 445.
 estimación en presencia de cambio estructural son, por fuerza y en
comparación con los que obtendríamos con modelos estimados para
cada una de las submuestras independientes, sesgados e inconsistentes,
esto es, están alejados de los valores reales de los conjuntos de parámetros
existentes. Esto no significa que la estimación total sea, en si misma, sesgada
o inconsistente; la estimación del modelo con MCO garantiza ambas
propiedades para los parámetros en la muestra total; el sesgo y la
inconsistencia son, en este caso, incumplimientos relativos al comparar un
modelo único con dos modelos parciales.

- Al mezclar datos correspondientes a estructuras diferentes, los errores que se

cometerán en la muestra total serán mayores (su varianza será mayor) que los
que se cometerían utilizando un modelo distinto para cada submuestra. Esta
ineficiencia en la muestra total se traducirá en contrastes “t” más exigentes,
al incrementarse la varianza de los parámetros estimados con relación a
la que se obtendría en estimaciones parciales (ineficiencia relativa), lo que
provocará frecuentes errores de tipo II en el contraste de la hipótesis de nulidad
de los parámetros (las variables tienden a rechazarse como explicativas aún
siéndolo) así como en otros contrastes en cuya base de cálculo intervenga el
estimador de la varianza de la perturbación aleatoria.

- El ejercicio de predicción se complica, tanto más cuanto menor sea la

submuestra final, ya que se realizará tomando en consideración unos
parámetros que, en realidad, no representan ninguna estructura real, sino una
especie de promedio de dos o más estructuras mezcladas.

- EN RESUMEN: Parámetros SESGADOS, INCONSISTENTES e

INEFICIENTES respecto a cada una de las submuestras; errores en la
APLICACIÓN DE CONTRASTES, y en mayor o menor medida PREDICCIÓN
INCORECTA.

¿Cómo se corrige?:

La corrección de un cambio estructural pasa por determinar las causas de su

aparición. De alguna u otra forma, un cambio de estructura es siempre un error en la
especificación, luego corregirlo significa, casi siempre, revisar en parte el
planteamiento original del modelo, en concreto:

- Revisar la forma funcional, la medición de cada una de las variables, o

cualquier otro aspecto formal básico que permita mitigar los efectos del cambio
de estructura

- Modificar la selección de variables relevantes, en especial añadiendo

nuevas variables adicional que permita capturar mejor la transformación del
sistema reflejada en el cambio estructural

- Replantear la selección del período muestral tratando de ajustarlo, si está

analíticamente justificado, a una única estructura real.

En ocasiones, aunque se conoce el origen del cambio de estructura, este no puede

medirse con sencillez, bien por que no se dispone de una variable adecuada, bien por
que el efecto de la variable es diferente por subperíodos. En este caso, es necesario
introducir como explicativas lo que se denominan variables ficticias. Las
variables ficticias no son otra cosa que variables cuyos valores son decididos por el
analista de forma arbitraria, generalmente en forma dicotómica (0,1), con el fin de
capturar, de forma sencilla, cambios estructurales que no pueden representarse con
variables reales.

Ejemplo: si hemos realizado un modelo explicativo de nuestras exportaciones desde

1970 a 2003 y suponemos que a partir del año 1986 la estructura de nuestro comercio
exterior se alteró por nuestra incorporación al Mercado Común Europeo, podemos
incluir una nueva variable explicativa ficticia que tome valores 0 hasta 1986 y 1 a partir
de 1986; esta variable, representaría el concepto, difícilmente cuantificable, de “la
incorporación al Mercado Común” de una forma simple. La introducción de esta
variable permitiría calcular un parámetro asociado a este cambio que depuraría las
estimaciones del resto de parámetros eliminando el efecto del cambio estructural
sobre los mismos.

Respecto a la utilización de variables ficticias pueden señalarse las siguientes

puntualizaciones:

- La utilización de ficticias sólo debe realizarse en ausencia de otras

variables más explícitas que también puedan representar ese cambio de
estructura (no se trata, por tanto, de un recurso alternativo a una adecuada
reforma de la especificación sino de un recurso de última instancia en ausencia
de estrategias más formales de mejora). En este sentido, toda variable ficticia
debe justificarse en dos sentidos: (1) debe haberse probado la existencia de un
cambio estructural en términos analíticos y (2) debe argumentarse analítica y
teóricamente la falta de variables explícitas para recoger ese cambio.

- Con relación al punto anterior, y en términos generales, se desaconseja el

uso de variables ficticias de forma generalizada para mejorar la estimación
en puntos o períodos en los que no exista evidencia estadística clara de
cambio estructural. La corrección de valores atípicos con variables ficticias
debe realizarse con moderación sólo en la medida en que creamos que la
mejora global para el modelo compensa la pérdida de control sobre la
especificación (una variable ficticia implica siempre, en mayor o menor medida,
una cierta renuncia a la real comprensión analítica del fenómeno analizado)

- Las variables ficticias no son siempre dicotómicas, sino que sus valores
son definidos por el analista de la forma que mejor representen el
fenómeno del cambio estructural. Así, por ejemplo, si suponemos que a
partir de un determinado año, por ejemplo 1986, se ha producido un cambio
estructural que afecta al comportamiento del modelo de forma creciente hasta
el final de la muestra, la ficticia podría definirse con valores “0” hasta 1986 y
valores en progresión (1,2,3,4,……) a partir de ese momento. De igual forma, si
entendemos que, por ejemplo, el cambio estructural opera sólo durante un
período (por ejemplo un fenómeno extraordinario puntual, sin efectos sobre el
resto de períodos), podríamos definir una ficticia con valores “0” para toda la
muestra excepto para el año del cambio, en el que tomaría valor 1.

- Cada una de las ficticias utilizadas en un modelo debe referirse a un aspecto

analítico concreto; debe evitarse utilizar una misma variable ficticia para
recoger cambios de estructura en distintos períodos que se refieran a
cuestiones de fondo diferentes.

- Al utilizar variables dicotómicas, debe evitarse la denominada “trampa de

las ficticias”. Este fenómeno consiste en introducir varias ficticias por
subperíodos de forma que se genere una combinación lineal de ficticias que
 iguale al término independiente. En este caso tendríamos un problema de
multicolinealidad exacta que impediría la estimación de los parámetros del
modelo.

La introducción de variables ficticias es un recurso común para enfrentar la presencia

de cambios de estructura pero no es la única alternativa. Existen procedimientos
analíticos más elaborados que permiten afrontar este problema, por ejemplo, la
utilización de modelos de parámetros cambiantes (switching regresions) en sus
distintas aproximaciones técnicas.

BREVES APUNTES SOBRE EL TEST DE CHOW EN E-VIEWS

Para realizar el test de Chow sobre una regresión cuyos datos tenemos cargados en
un Worfile de E-Views, caben dos alternativas:

- Computar el test de Chow “ a mano”, es decir, estimando las dos regresiones

parciales en cada una de las dos submuestras en las que, el posible punto de
cambio, divide la muestra total. Por ejemplo, si en un modelo estimado entre
1980 y 2004 queremos observar si existe un cambio de estructura puntual en
1986, podemos estimar un primer submodelo desde 1980 a 1985 y un segundo
submodelo desde 1986 a 2004. Para estimar estas dos regresiones parciales
no hace falta generar objetos e regresión nuevos; cambiar la muestra de
estimación es simple, basta con abrir la regresión original a evaluar y
seleccionar la opción SAMPLE en el menú. Una vez estimadas los dos sub-
modelos, el “estimation output” de la ecuación muestra, para cada una de ellas,
la suma cuadrática residual con la que puede computarse el test F de Chow.

- Si se desea elaborar el test de forma automática, abrimos la regresión a

analizar y elegimos en la ventana de vistas (View) la opción Stability Test –
Chow Breakpoints Test y especificamos el año en el que pensamos que existe
un cambio estructural:

El resultado que ofrecerá E-Views será el valor de la “Fk,n-2k” y el nivel de significación a

partir del cual el valor calculado en nuestro caso supera el valor de referencias en
tablas.

Chow Breakpoint Test: 1986

F-statistic 2.404744 Probability 0.078022
Log likelihood ratio 8.246343 Probability 0.041186

Recordamos que la hipótesis nula del test de Chow es la NO-Existencia de cambio

Estructural de modo que, en nuestro caso, con un 8% de nivel de significación (92%
de nivel de confianza) el valor calculado supera al valor tabulado indicando la
existencia de un cambio estructural en 1986.

- Una segunda cuestión relevante para asegurar si efectivamente existe un

cambio de estructura y si, sobre todo, la variable ficticia incluida para corregirlo
se ha seleccionado adecuadamente, consiste en realizar la regresión
incluyendo ahora la variable ficticia y observar la ratio de significación individual
“t” de la variable ficticia.