Principales consecuencias de presentar exceso de variables

Partiendo de la noción de que el modelo trabajado cuenta con las siguientes variables
sustentadas por la teoría y que consideramos como correctas

Variable Autor
X1
X2
X3
X4
X5
X6
X7
Elaboración: Propia

Podemos observar que la variable género y fiestas no cuentan con un fuerte sustento teórico-
económico para explicar la nota final obtenida en el curso de econometría para los alumnos
identificados con su respectivo ID; de ello, podemos observar que el modelo correcto bajo la
representación del MLG sería

Y = β0 + β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 + β7 X 7

El modelo trabajado sería el modelo presentado en la segunda entrega, el cual cuenta con las
siguientes variables explicativas

Y = β0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 + β 6 X 6 + β 7 X 7

Entonces, las consecuencias de presentar el problema de exceso de variables en nuestro

modelo están relacionados con la varianza de los estimadores correctos. Debemos aclarar que
bajo exceso de variables explicativas estas son consideradas como fijas; es decir, su
probabilidad de ocurrencia es igual a uno. En este trabajo, las variables fiestas y genero se
pueden calificar como fijas y el rango de la matriz de datos del modelo ampliado es igual a 8,
por lo que, en cumplimiento de todos los demás supuestos, la varianza de los estimadores
correctos tendrá el siguiente problema
−1 −1
var ( ^β c ) =σ 2u ( X 'c X c − X 'c X a ( X 'a X a ) X 'a X c )

De donde, podemos comprobar que no existe una relación de ortogonalidad entre las
variables explicativas correctas y las variables explicativas del modelo ampliado como se puede
ver en la siguiente tabla

  Intercepto PRCOMI PREST NAMI NMATE NVECES

PRFIES 421 1453 2249.06 1175 4072 798
GEN 99 334 495.3 276 982 188

Donde se ha verificado la siguiente relación entre variables

200
X X =∑ X cj X aL
c a

i=1
Donde “j” denota el subíndice de las variables explicativas correctas y “L” denota el subíndice
de las variables explicativas adicionales. Entonces, dado que no existe una relación de
ortogonalidad entre las variables correctas y adicionales, en cumplimiento de todos los demás
supuestos y considerando a las variables adicionales como fijas se puede sostener que la
varianza de los estimadores correctos será más elevada, por lo que el t calculado de estos
estimadores será más reducido, lo que llevará a aceptar más veces la hipótesis nula en la
prueba individual.

De manera formal, bajo la hipótesis nula de que los parámetros individuales toman su
verdadero valor y este es igual a cero, para un nivel de significancia del 5%, tenemos que la
siguiente especificación
^β k ^β k ^βk
t c= = 2
= t 200−8
e' e √ σ^ ∗a √ var ( ^β )
√ n−k ii
∗a u ii k

En el trabajo, se puede observar que aceptan la hipótesis nula las variables que teóricamente
son consideradas como relevantes, en este planteamiento no lo sean, eso quiere decir que
estaríamos obteniendo como resultado que la derivada parcial de la explicada respecto de las
explicativas correctas fuera cero, cuando en realidad no lo es.

Principales consecuencias de presentar omisión de variables

Nosotros debemos tener en consideración que del modelo correctamente especificado

contamos con las siguientes variables explicativas:

 Variable 1
 Variable 2
 Variable 3

En tanto que las variables omitidas que esquematizan la conducta de la explicada son no
observables y no cuantificables, los que se incorpora en la perturbación que puede capturar

 Elementos no cuantificables y desconocidos de la conducta de la explicada

 Elementos no cuantificables y conocidos de la conducta de la explicada
 Elementos aleatorios

Con ello tenemos que bajo un problema de omisión de variables relevantes el estimador sería
sesgado, de varianza menor a la varianza de un estimador ELIO; esto implica un problema pues
los estimadores no tienen buenas propiedades, en especifico el valor obtenido por el
estimador sesgado no podrá asociarse al parámetro, ya que este estimador tendrá como valor
esperado uno alejado del parámetro.

En cuanto a las pruebas de hipótesis, al momento de trabajar con un estimador sesgado, la

siguiente presentación

U'U
σ 2u

Ya no distribuye chi cuadrado, porque no se esta estandarizando la perturbación por el valor

esperado igual al vector nulo, sino que ahora el valor esperado de la perturbación incorporase
las variables omitidas y relevantes. En cuanto a la suma del cuadrado de los errores, sabemos
que

e' e
σ 2u
Distribuye chi cuadrado con n-k grados de libertad, pero esto sucede cuando el valor esperado
de los errores es igual al vector nulo; sin embargo, ahora el valor de los errores será igual a

e nx 1 =M nxn ( βo 1 X n , o 1+ βo 2 X n , o 2+ U cnx 1 )

E( enx 1)= β5 M nxn X n 5+ β6 M nxn X n 6 + M nxn E (U cnx 1 )

E( enx 1)= β5 M nxn X n 5+ β6 M nxn X n 6

Ahora, la suma del cuadrado de los errores partido por sus grados de libertad son un
componente del denominador en la prueba individual, eso quiere decir que ya no podemos
garantizar que se tenga una distribución t para evaluar la significancia individual.

En el indicador de bondad de ajuste tenemos

2 e' e
R =1−
y' y
Donde en el planteamiento con omisión de variables explicativas, la suma del cuadrado de los
errores sería

e ' e=m11 u21 +m22 u 22+ m33 u23+ …+m120120 u 2120 +2 m12 u1 u 2+ …+2 m119120 u 119 u 120
Siendo

ui= βo 1 X n , o 1+ βo 2 X n , o 2+ U cnx1

Mientras que la perturbación del modelo sin omisión y correctamente especificado será

ui=U cnx1

Por tanto, la suma del cuadrado de los errores en el modelo con omisión debería ser más
elevada que la suma del cuadrado de los errores del modelo correctamente especificado. Por
último, el estimador de la varianza del modelo con error de especificación deberá ser más
elevado pues

E ( u 2i ) =var ( ui ) + E2 (ui )

El termino E2 (ui ) es diferente de cero e igual a las variables omitidas. De esta forma, la
omisión de variables explicativas afectaría directamente a las pruebas de hipótesis planteadas
en el modelo original, tanto por la función de densidad, como por la varianza del estimador.