Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manual Econometria Eviews
Manual Econometria Eviews
1. Uso de Comandos:
LS LOGM C LOGPBI LOGprecio
Nombre del modelo: MODELO
Equation MODELO.LS Log(M) c Log(PBI) Log(precio)
Como se observa en el
rectángulo de color verde
que tiene una baja
probabilidad 0.02% de no
rechazar la hipótesis nula.
Entonces:
F ( q=1;T=70;0.95) Rechazar la H0
q: Número de restricciones.
o Pruebas de Variables Omitidas: Nos da una idea si una lista de variable
adicional podría mejorar el modelo.
H0 : La variable inter es no
significativa para el modelo
(C(3)=0)
H1 : inter es una variable significativa
para el modelo (C(3)≠ 0).
H0 : La variable LogPBI es
redundante para el modelo.
H1 : La variable LogPBI no es redundante
para el modelo .
Con una baja probabilidad de 0 %
(menor α=5%) no se acepta la
hipótesis nula.
Por lo que la variable LogPBI no es
redundante para el modelo de Cagan
Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando las
variables independientes presentan alto nivel de correlación. Por lo que en
términos empíricos hay que definir los limites de tolerancia de colinealidad.
Siguiendo a Klein en su versión de correlación indica un alto grado cuando:
RY : Es la raíz cuadrada del coeficiente de determinación
Multicolinealidad Perfecta ρ (X׳X) < k rX i X j > RY
Multicolinealidad imperfecta ρ (X׳X) = k / X׳X / ≈ 0
Scalar det_cor=det(mcorrel)
AR (r) o MA (r)
H1 : ρ1 ≠ ρ2 ≠ ... ≠ ρr ≠ 0
LM = TR 2 ≈ χ r2
Prueba: En la ventana de resultados View/Residual Diagnostics/ Serial
Correlation LM Test… teclea 2 rezagos (Lags)
Por tener un probabilidad muy baja 0% (menor de 5%) se
rechaza la hipótesis nula de incorrelación.
Por lo que el modelo presenta autocorrelación de 2 orden
(AR(2))
Test de Ljung – Box y Box – Pierce
Este test utiliza el coeficiente de correlación simple y sólo puede ser aplicado
cuando el conjunto de variables explicativas son todas exógenas.
Test Box - Pierce: r
Q = T ∑ ri 2 ≈ χ r2
i =1
Ljung presenta un refinamiento a la formula anterior:
ri 2
r
Q = T (T + 2)∑ ≈ χ r2
i =1 T − i
∑ε t −i εt
ri = t =1
T
2
∑ t
ε
t =1
Correlograma: Es otra forma de identificar la autocorrelación de
orden p.
En la ventana de resultados View/ Residual Diagnostics/ Correlogram- q
stadistis.
En el cuadro de dialogo que aparece seleccionamos sin transformar (Level)
y el número de rezagos 22 (o el máximo que pueda)
• Las banda esta del
correlograma estan
representada por :
2 2
± =±
T 73
• = ± 0.2341los valores
que sean iguales o mayor
a este valor nos indicara
el orden de AR(r).
F,24,24 implica los grados de libertad, que se deben ajustar para cada modelo.
Prueba de White
Este contraste es el más general por que no especifica concretamente la
heteroscedasticidad.
H 0 : σ i2 = σ 2 No existe Heteroscedasticidad
H1 : no se verifica H 0
Aplicando la Heteroscedasticidad en Eviews
View que se encuentra en el objeto de ecuación Cagan(es el nombre de
nuestra ecuación) pulsamos View/Residual Test/Specification White (no
cross terms)
Formas de Corregir la Heteroscedasticidad
Un manera es realizar Mínimos Cuadrados
Ponderados , donde la ponderación se puede elegir
mediante White o el análisis de residuos.
Corrección
* Corrección White (Heteroskedasticy Consiste
Covariances)
* Correción de Newey – West (HAC Consistent
Covariances)
Corrección de Heteroscedasticidad
Corrección de White: Corrige la matriz de Var – Cov por
heteroscedasticidad.
T
T
ˆW =
∑ [X ʹ′X ] ⎢∑ ε t2 XX ʹ′⎤⎥( X ʹ′X ) −1
−1 ⎡
T −k ⎣ t =1 ⎦
Corrección de Newy – West (HAC Consistente Covariances):
Corrige la matriz de Var – Cov de los parámetros estimados
por heteroscedasticidad y autocorrelación
ˆ NW = T
∑ [X X ] [Ωˆ ]( X ʹ′X ) −1
ʹ′ −1
T −k
q
T ⎧ T 2 ⎛ v ⎞ ⎫
Ωˆ= ⎨∑ ε t XX ʹ′ + ∑ ⎜⎜1 −
T − k ⎩ t =1
[ ]
⎟⎟ Xε t ε tʹ′X tʹ′−v + X t −vε t −vε tʹ′ X ʹ′ ⎬
q − 1 ⎠
v =1 ⎝ ⎭
q: Representa un número entero q = 4(T / 100) 2 / 9
Estimación en Eviews
En la ventana de resultados hacemos click en estimate y luego
en options
No hay R.U.
La estimación del VAR, se utilizará 3 variables que son estacionarias.
Seguir la siguiente estructura:
El
resultado
es
1
rezago.
Se debe seleccionar los valores que tienen asterisco, que indica el número de lag.
Si sale el valor 0, entonces es un indicio de que las variables no son endógenas y
quizás se debe buscar otras.
Como el resultado anterior es 1 rezago,
entonces se estima el VAR con 1 rezago
La primera fila
muestra la respuesta
al impulso de la
moneda LE, luego a
ES y finalmente a G.
El resultado es que
LE si responde a su
pripio shock, pero no
responde a los
cambios en ES y en
G.
CAUSALIDAD DE GRANGER
Luego de estimar el VAR la
causalidad de Granger se obtiene
con View/Lag structure/Granger
causality