Administración y negocios Universidad Católica Sedes

internacionales - FCEC Sapientiae - UCSS

ECONOMETRÍA EMPRESARIAL
Doc. Cesar Antonio Monterroso
Coronado

VICIOS ECONOMETRICOS

Tarea Aplicativa Semana 7

Moreno Alvarez, Kevin Alexis

Cod. 2019101542

Perú, 01 de mayo de 2021

VICIOS ECONOMETRICOS

- Autocorrelación
- Test Durbin Watson
- Heterocedasticidad
- Test White
- Otros Tests
- Programa
- Ejecución del caso
- Fuentes

- Fuentes
AUTOCORRELACIÓN

Para detectar la presencia de autocorrelación se pueden utilizar métodos gráficos y contrastes de

hipótesis. A través de los contrastes gráficos se intuirá si existe autocorrelación cuando existan
comportamientos sistemáticos para los residuos.
Los contrastes de hipótesis, por su parte, permiten, a través de una regla de decisión, considerar
si con los datos de la muestra y con un nivel de significación (a) concreto se debe o no rechazar
la hipótesis nula.
Todos los contrastes numéricos de autocorrelación se plantean con idénticas hipótesis; así,
podemos señalar que la forma general del contraste es:

H0: No existe autocorrelación

H1: Existe autocorrelación

Esto es, en la hipótesis nula se considera que el término de perturbación correspondiente a una
observación es independiente del correspondiente a cualquier otra observación. En la hipótesis
alternativa se señala que el término de error de un modelo econométrico está autocorrelacionado
a través del tiempo.
De acuerdo al p-value o prob de la prueba ejecutado, se rechaza la Ho si su valor es menor que
el nivel de significancia, se rechaza la Ha si su valor es mayor que el nivel de significancia.
 TEST DURBIN WATSON

El contraste desarrollado por Durbin y Watson es la prueba más frecuentemente empleada para
detectar la presencia de autocorrelación en los modelos de regresión. Este contraste permite
verificar la hipótesis de no autocorrelación frente a la alternativa de autocorrelación de primer
orden bajo un esquema autorregresivo.
Formulación de las hipótesis:
Ho: 𝑝 = 0 No existe autocorrelación AR(1)
Ha: 0 < 𝑝 < 1 Existe autocorrelación AR(1)

∑(𝑒𝑖 − 𝑒𝑖−1 )2
Estadístico de prueba: 𝑑 = ∑ 𝑒𝑖2

A partir de este estadístico se puede interpretar que,

• Si hay autocorrelación positiva las diferencias entre residuos que distan un periodo es muy
pequeña por lo que el valor del estadístico d será próximo a cero.
• Si hay autocorrelación negativa los residuos serán prácticamente iguales, pero de signo
contrario, su diferencia será por tanto grande y el estadístico será más próximo al límite
superior que, como se verá, se establece en cuatro.
• Si no hay autocorrelación, la relación entre los residuos será intermedia y por tanto, el valor
del estadístico experimental también alcanzará un valor intermedio.
Para establecer los límites de variación del estadístico d la fórmula anterior se puede desarrollar
obteniéndose una expresión en función del coeficiente de autocorrelación muestral de primer
orden para los residuos ̂𝑝.
Entonces el estadístico experimental se puede expresar d  2(1− 𝑝̂ )
Teniendo en cuenta los límites de variación del coeficiente de correlación empírico, - 1≤ 𝑝̂ ≤ 1 ,
se puede deducir el rango de variación del estadístico de Durbin-Watson y el signo de la
autocorrelación,

𝑝̂ = -1 → d ≈ 4 se considera que existe autocorrelación negativa

𝑝̂ = 0 → d ≈ 2 indica ausencia de autocorrelación
𝑝̂ = 1 → d ≈ 0 se puede admitir que existe autocorrelación positiva
 HETEROCEDASTICIDAD

La heterocedasticidad es la existencia de una varianza no constante en las perturbaciones

aleatorias de un modelo econométrico. En ese caso, la matriz de varianzas-covarianzas de las
perturbaciones se representaría del siguiente modo:

𝑣11 0 … 0
E[𝑢𝑢]’ =𝜎2 [ 0 𝑣12 … 0 ]
… … ⋱ …
0 0 … 𝑣𝑛𝑛

Cuando no se cumple esta condición, es decir, cuando la dispersión de los términos de

perturbación es diferente para diferentes valores de la variable explicativa, nos encontramos con
la heterocedasticidad. La heterocedasticidad tiene importantes consecuencias en el método de
estimación MCO. Los estimadores de los coeficientes siguen siendo insesgados, pero la
estimación de los errores estándar de esos parámetros no es válida (que denotaremos se
estimado). Por esta razón, no podemos construir intervalos de confianza ni hacer pruebas de
hipótesis correctas, pues para hacerlos se utiliza el error estándar.

Se contrasta la Hipótesis Nula suponiendo que la presencia del vicio no es deseable en el modelo
de predicción:

Ho: No existe Heterocedasticidad

Ha: Existe Heterocedasticidad

De acuerdo con el p-value o prob de la prueba ejecutado, se rechaza la Ho si su valor es menor

que el nivel de significancia, se rechaza la Ha si su valor es mayor que el nivel de significancia.
 TEST WHILE

En este contraste la idea subyacente es determinar si las variables explicativas del modelo, sus
cuadrados y todos sus cruces posibles no repetidos sirven para determinar la evolución del error
al cuadrado. Es decir; si la evolución de las variables explicativas y de sus varianzas y covarianzas
son significativas para determinar el valor de la varianza muestral de los errores, entendida ésta
como una estimación de las varianzas de las perturbaciones aleatorias.

Las hipótesis a contrastar son:

H0: Existe homocedasticidad
H1: Existe heterocedasticidad

De acuerdo con el p-value o prob de la prueba ejecutado, se rechaza la Ho si su valor es menor

que el nivel de significancia, se rechaza la Ha si su valor es mayor que el nivel de significancia.

OTROS TESTS

Tests Autocorrelación:
- Test de autocorrelación de errores con un retardo.
- Test de correlograma.
Tests Heterocedasticidad:
- Prueba de Breush-Pagan-Godfrey
- Prueba Harvey
- Prueba Gleajser
- Prueba ARCH
- Prueba de White
 PROGRAMA

'Programa de Tarea 07 Integral de Autocorrelación y Heterocedasticidad'

'Elaborado por Kevin A. Moreno Alvarez'
'código 2019101542'
'Caso de ventas de coches'

'1. Generar un gráfico multiple con linea de regresión para visualizar relaciones'
group data log(ventas) log(precio) log(renta) log(gpubli) log(p_compe)
data.scat(m)linefit
'2. Estimar una ecuación entre ventas y gpubli
equation ec1.ls log(ventas) c log(gpubli)
ec1.makeresid e
e.line
'3. Cálculo del Durwin Watson (DW)'
!j=0
!i=0
scalar sume=0
scalar sume1=0
scalar dw=0
for !i=2 to ec1.@regobs
sume=(e(!i)-e(!i-1))^2 + sume
next
for !j=1 to ec1.@regobs
sume1=(e(!j))^2 + sume1
dw=sume/sume1
next
'3.1 Test de autocorrelación de errores con un retarbo (DW)'
freeze(LM_test) ec1.auto(1)
'4. Prueba de normalidad'
freeze(normalidad) ec1.hist
'5. Pruebas de correlogramas'
freeze(correlograma) ec1.correl
'6. Prueba de correlograma de residuos'
freeze(correl_resid) ec1.correlsq
'7. Pruebas de Heterocedasticidad'
'7. Pruebas de Heterocedasticidad'
'Prueba de Breush-Pagan-Godfrey'
freeze(BPG)ec1.hettest c log(ventas)
'Prueba Harvey'
freeze(harvey) ec1.hettest(type=harvey)c log(ventas)
'Prueba Gleajser'
freeze(glejser) ec1.hettest(type=glejser) c log(ventas)
'Prueba ARCH'
freeze(arch_test) ec1.archtest
'Prueba de White'
freeze(white) ec1.white(c)
 EJECUCIÓN DEL CASO

CASO DE VENTAS DE COCHES

En el archivo Moreno Alvarez Kevin Alexis_Estimación Modelo_Caso Ventas_T7.wf1 encontrará

datos correspondientes a las 12 sucursales que repartidas en 12 comunidades autónomas
distintas tiene una determinada empresa de ventas de coches, sobre las variables:
- ventas: ventas de la empresa en la CCAA
- precio: precio del producto que vende la empresa en la CCAA
- gpubli: gasto en publicidad de la empresa en la CCAA
- renta: renta media de la CCAA
- pcompe: precio de un producto competidor en la CCAA

Utilizando esta información, estime los modelos:

ventas = α + β1 precio + β2 gpubli+ β3 renta+ β4 pcompe + u (M1)
ventas = α + β gpubli + u (M2)
y analicé cada uno hechos con tests de causalidad y parsimonia, así, concluyendo que el modelo2
es estadísticamente significativo. Ahora con este modelo2 adecuado analizaremos la
autocorrelación y heterocedasticidad.
CASO DE VENTAS DE COCHES - AUTOCORRELACIÓN Y HETEROCEDASTICIDAD.

CASO DE VENTAS DE COCHES – AUTOCORRELACIÓN

Test de autocorrelación de errores con un retardo

 Prueba de normalidad

Pruebas de correlogramas
CASO DE VENTAS DE COCHES – HETEROCEDASTICIDAD

Prueba de Breush-Pagan-Godfrey

Prueba Harvey
Prueba Gleajser

Prueba ARCH
Prueba de White
 FUENTES

Enlaces de los datos (caso ventas de coches)

https://www.ucm.es/data/cont/docs/518-2013-11-13-ventas.zip

Fuentes información

https://aulavirtual.ucss.edu.pe/mod/resource/view.php?id=468368&redirect=1
http://cjardon.webs.uvigo.es/Transparencias/Unidad7.pdf
http://cjardon.webs.uvigo.es/Transparencias/Unidad5.pdf
http://ri.uaemex.mx/bitstream/handle/20.500.11799/108352/secme-
6833_1.pdf?sequence=1&isAllowed=y
https://econometriai.files.wordpress.com/2011/04/econometrc2a1a-2c2a6-ed-2000-alfonso-
novales-mcgraw-hill.pdf
https://tabarefernandez.tripod.com/dearce.pdf
https://www.centro-virtual.com/recursos/biblioteca/pdf/econometria/unidad3_pdf1.pdf