Econ.

Paulo Roberto Chahuara Vargas LAMBDA

NO NORMALIDAD EN LOS RESIDUOS:

1. Introducción

La normalidad en los residuos no es un requisito para obtener los coeficientes de regresión vía MCO.
Asimismo, para que el estimador MCO cumpla con la propiedad MELI, no se requiere que el error tenga una
distribución normal. Sin embargo, para la realización de tests de hipótesis y la construcción de los intervalos
de confianza, este supuesto es fundamental, ya que si los errores no son normales, las distribuciones de los
estadísticos vistos no son t y F, sino desconocidas. No obstante, bajo muestras grandes la inferencia
estadística del modelo puede ser válida. Con muestras reducidas es altamente recomendable verificar el
supuesto.

Teorema de Rao: Si el error sigue una distribución normal, entonces el etimador de MCO es el estimador
insesgado de menor varianza (MEI o BUE). En otras palabras, bajo normalidad, los estimadores MCO tienen
varianza mínima en la clase de los estimadores insesgados, lineales o no.

2. Causas de la No Normalidad en los Residuos

 Observaciones heterogéneas.
 Modelo especificado no es correcto porque se han omitido variables regresoras.
 Falta de linealidad.
 Influencia de las observaciones atípicas.
 Existe asimetría en la distribución.

3. Test Para Detectar el problema de No Normalidad en los Residuos

En base a todo lo anterior, otro requisito a verificarse es la supuesta normalidad en la distribución de los
residuos. Para ello, Una vez estimado el modelo, podemos obtener los errores de estimación, equivalentes a
la diferencia entre el valor observado de la variable dependiente y su valor estimado, y sobre ellos realizar los
siguientes posibles análisis:

 De un modo gráfico, puede comprobarse cuán distinta es de la normal la distribución de los residuos
mediante la ayuda de gráficos:

1
Econ. Paulo Roberto Chahuara Vargas LAMBDA

 Gráfico de probabilidad-probabilidad (P-P plot o gráfica porcentual) compara una función de

distribución acumulada empírica con una función de distribución teórica (e.g., la función de
distribución normal estándar):

 Gráfica cuantil-cuantil (Q-Q plot ) compara los valores ordenados de una variable con los cuantiles
de una distribución teórica especifica (i.e., la distribución normal)

Si las dos distribuciones son consistentes, los puntos sobre la gráfica asumen un patrón linealque
pasa a través del origen con una recta de pendiente unitaria.

 Examinar si los estadísticos de simetría y curtosis son iguales que los que la distribución normal
presenta. Recordemos que los parámetros que definen la normalidad de una distribución son el
coeficiente de asimetría (skewness) y el coeficiente de kurtosis, los que deben tomar los valores 0 y
3 para que la distribución sea normal:

2
Econ. Paulo Roberto Chahuara Vargas LAMBDA

Si los errores se encuentran normalmente distribuidos:

Skewness:
𝜇3 = 𝐸[𝑒𝑖3 ] = 0
𝜇
Es el tercer momento de la distribución de una variable aleatoria normal. Se definida como: 𝑠 = 𝜎33
Kurtosis:
𝜇4 = 𝐸[𝑒𝑖4 ] = 3𝜎 4
𝜇
Es el cuarto momento de la distribución de una variable aleatoria normal. Se definida como: 𝑘 = 44
𝜎
Donde 𝐸[𝑢𝑢′ ] = 𝜎 2

 Utilizar pruebas estadísticas:

 Prueba de JarqueBera:
La prueba JB toma el siguiente principio: “que tanto se desvían los coeficientes de asimetría y
curtosis respecto a una distribución normal”. Así, el estadístico Jarque-Bera se construye:

𝑠 2 (𝑘 − 3)2
𝜆 = 𝑛( + )
6 24

y se contrasta contra una distribución chi-cuadrado, donde la hipótesis nula es Normalidad.

 Otras pruebas: prueba de Shapiro-Wilk (4 ≤ n ≤ 2000) y prueba de Shapiro-Francia (5 ≤ n ≤
5000)

4. ¿Qué hacer frente a la no normalidad del residuo?

 Mejorar la especificación del modelo: forma funcional e inclusión de variables relevantes.

 Recoger la influencia de las variables atípicas (por ejemplo, incluir variables de clasificación cuando las
observaciones proceden de diferentes poblaciones)
 Transformar las variables (por ejemplo mediante la transformación Box-Cox)
 Utilizar la metodología de simulación bootstrap para computar los intervalos de confianza.

3
Econ. Paulo Roberto Chahuara Vargas LAMBDA

ESTABILIDAD EN LOS PARÁMETROS:

1. Introducción

El MRL supone constancia en los parámetros del modelo para todos los individuos y/o para todo el período de
tiempo. Es decir, existe solo un PGD para todo el periodo de observación y para el horizonte de predicción o,
lo que es lo mismo, admitimos que la relación entre variables, definida por nuestro modelo estimado, es
estable: Los 𝛽′𝑠 son constantes, la función es la misma.

Si no hubiese constancia de parámetros los estimadores obtenidos serían inexactos.

El caso más habitual de inestabilidad en parámetros es provocado por un cambio o quiebre estructural en la
propia muestra que ha servido de base para la estimación.

Por quiebre estructural se puede entender un cambio en política económica, una guerra, un fenómeno
climático, lo que implica la presencia de más de un PGD.

Sea el modelo 𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑢𝑡 𝑡 = 1, … . , 𝑛, con quiebre estructural se podría tener los siguientes

casos:

4
Econ. Paulo Roberto Chahuara Vargas LAMBDA

2. Test Para Detectar el problema de Quiebre estructural

 Test de Chow o Chow Breakpoint Test:

Chow propone dividir la muestra de observaciones en dos submuestras. En general suele elegirse el posible
punto de ruptura, pero también podrían probarse diferentes cortes o separar la muestra por mitades. De lo
que se trata es de comparar los errores de los modelos para estas dos partes con los del modelo total.

Si denominamos 𝑒 a los errores de la regresión total, 𝑒1 a los de una parte de datos y 𝑒2 a los de la otra, es
evidente que no existirá cambo estructural importante si:
𝑛1 𝑛2 𝑛

∑ 𝑒1𝑡 + ∑ 𝑒2𝑡 ≈ ∑ 𝑒𝑡 2
2 2

𝑡=1 𝑡=1 𝑡=1

Por el contrario, cuanto menos sea, relativamente, la suma de errores al dividir el modelo en dos, más se
justifica la existencia de una ruptura de comportamiento. Estadísticamente, puede demostrarse que la
hipótesis nula de ausencia de cambio estructural (tanto en parámetros como en dispersión) exige que no se
supere el valor de las tablas para una 𝐹 con 𝑘 y (𝑛 − 2𝑘) grados de libertad, definida como

[𝑒 ′ 𝑒 − (𝑒1′ 𝑒1 + 𝑒2′ 𝑒2 )]⁄

𝐹= 𝑘
(𝑒1′ 𝑒1 + 𝑒2′ 𝑒2 )⁄
𝑛 − 2𝑘

Residuos Recursivos:

Una estimación recursiva es la que primero usa 𝑘 observaciones al inicio de la muestra para
evaluar los coeficientes y luego va agregando una observación adicional para cada nueva
estimación.
Con cada estimación del conjunto de coeficientes se utilizan para predecir el valor de la
variable dependiente en el periodo siguiente.
Los residuos recursivos serán: 𝑒𝑡 = 𝑌𝑡 − 𝑋𝑡′ 𝛽̂𝑡−1
Luego se realiza su normalización:
𝑒𝑡
𝑤𝑡 = ~𝑁(0, 𝜎𝑢2 )
√1 + 𝑋𝑡′ (𝑋𝑡−1
′
𝑋𝑡−1 )−1 𝑋𝑡

 Test Cusum (Suma Acumulada de Residuos)

Se define
𝑡
𝑤𝑗
𝑊𝑡 = ∑ 𝑡 = 𝑘 + 1, … , 𝑛
𝜎̂
𝑗=𝑘+1

𝑤es el residuo recursivo y 𝜎 es la desviación estándar residual del modelo estimado con n datos. Bajo la H0
de ausencia de cambio estructural 𝐸(𝑊𝑡 ) = 0. Es decir, un cambio en los parámetros del modelo significaría
una divergencia entre 𝑊𝑡 y cero.

La evaluación se realiza graficando el estadístico CUSUM a lo largo de la muestra. Si esta gráfica permanece
dentro de las bandas de confianza definidas por dos rectas que conectan los puntos 𝑘 ± 𝛼(𝑛 − 𝑘)1/2 y 𝑛 ±

5
Econ. Paulo Roberto Chahuara Vargas LAMBDA

3𝛼(𝑛 − 𝑘)1/2 entonces los coeficientes son estables. Se espera que el valor de CUSUM fluctúe alrededor
del valor nulo.

 Test Cusum Cuadrado (Suma Acumulada de Residuos al Cuadrado)

Se define
∑𝑡𝑟=𝑘 𝑤𝑟 2
𝑆𝑡 = 𝑡 = 𝑘 + 1, … , 𝑛
∑𝑛𝑟=𝑘 𝑤𝑟 2

(𝑡−𝑘)
Bajo la H0 de ausencia de cambio estructural 𝐸(𝑆𝑡 ) = 𝑛−𝑘 que va de 0 (cuando t=k) a 1 (cuando t=n). La
evaluación se realiza graficando 𝐸(𝑆𝑡 ) a lo largo de la muestra. Si esta gráfica permanece dentro de la
bandas de confianza𝐸(𝑆) ± 𝑐0 entonces los coeficientes son estables en el tiempo

 Test Predictivo de Una Etapa

Cada residuo recursivo es el error de una predicción en una etapa, por lo que este error puede ser comparado
con su desviación estándar con el propósito de evaluar si el valor de la variable dependiente en el periodo t ha
provenido del modelo estimado empleando todas las observaciones hasta ese punto.

 Test Predictivo de N Etapa

En lugar de usar los coeficientes estimados con la información disponible hasta 𝑡 − 1 para predecir
únicamente la siguiente observación (𝑌𝑡 ), consideramos la posibilidad de utilizarlos para predecir todas las
observaciones que siguen (𝑡, … , 𝑛). De esta manera una divergencia considerable entre los valores
predichos y los verdaderos sería evidencia a favor de la existencia de un quiebre estructural.

 Test de Coeficientes Recursivos

Esta prueba gráfica permite trazar, recursivamente, la evolución de cada uno de los coeficientes a medida que
aumenta el tamaño de muestra (aumenta el tiempo).
La H0 es que cada coeficiente converge al valor estimado (estabilidad).

3. ¿Qué hacer frente al quiebre estructural?

 Incorporar variables dicotómicas

 Mejorar la especificación del modelo
 ¿Endogenizar el quiebre?