Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Hipótesis y propiedades
Josep Navarro
jm.navarro@ucv.es
Gujarati Capı́tulos 3 y 4
Econometrı́a el modelo Lineal Ezequiel Uriel 1990 Capı́tulo 4
UCV
Y = X β + ui
El regresando y los regresores pueden ser cualquier función de la variable
endógena o de las variables predeterminadas, respectivamente, siempre que
entre regresando y regresores se mantenga una relación lineal, es decir, el
modelo sea lineal en los parámetros. El carácter aditivo de la perturbación
aleatoria garantiza su relación lineal con el resto de los elementos.
E (ui ) = 0 i = 1, 2, ..., N
Se adopta aquı́ el supuesto de que los efectos individuales de las variables
incluidas en el término de perturbación tienden a compensarse por término
medio. En cualquier caso, aun suponiendo que los efectos individuales no
se compensasen exactamente y, por tanto, su valor esperado fuese distinto
de cero, dicho valor podrı́a ser acumulado en el término constante del
modelo de regresión, con lo cual se podrı́a mantener esta hipótesis sin
ningún problema.
E (ui2 ) = σ 2 i = 1, 2, ..., N
Esta hipótesis indica que todas las perturbaciones aleatorias tienen la
misma varianza. Es decir, la varianza de la perturbación aleatoria del
modelo es constante y, por tanto, independiente del tiempo o de los
valores de las variables predeterminadas.
Dicha hipótesis es contrastable empı́ricamente mediante diversos
contrastes estadı́sticos basados en los residuos mı́nimo-cuadráticos.
Asimismo, en determinadas situaciones, esta hipótesis resulta poco
plausible, sobre todo cuando se trabaja con datos de corte transversal, es
decir, con observaciones sobre diferentes unidades muestrales referidas a
un mismo momento del tiempo.
Si no se cumple esta hipótesis, se dice que las perturbaciones son
heteroscedásticas.
Josep Navarro jm.navarro@ucv.es Gujarati Capı́tulos
Tema 2: 3Ely modelo
4 Econometrı́a
lineal básico:
el modelo
Hipótesis
Linealy Ezequiel
propiedades
Uriel 1990 Capı́tulo 4 (UCV)
9 / 37
2. Hipótesis sobre la perturbación aleatoria
d) Las perturbaciones aleatorias con distinto subı́ndices son independientes entre sı́.
E (ui us ) = 0∀i 6= s
Es decir, las perturbaciones correspondientes a distintos momentos del
tiempo o distintas unidades muestrales que tengan una ordenación no
están correlacionadas entre sı́.
E (u) = 0
Análogamente, las hipótesis de homoscedasticidad y no autocorrelación se
pueden expresar conjuntamente como:
E (u12 )
E (u1 u2 ) . . . E (u1 uN )
E (u2 u1 ) E (u22 ) . . . E (u2 uN )
E (uu 0 ) = =
.. .. . . ..
. . . .
2)
E (uN u1 ) E (uN u2 ) . . . E (uN
2
σ 0 ... 0
0 σ2 . . . 0
2
.. = σ I
.. .. . .
. . . .
0 0 . . . σ2
Josep Navarro jm.navarro@ucv.es Gujarati Capı́tulos
Tema 2: 3Ely modelo
4 Econometrı́a
lineal básico:
el modelo
Hipótesis
Linealy Ezequiel
propiedades
Uriel 1990 Capı́tulo 4 (UCV)
11 / 37
2. Hipótesis sobre la perturbación aleatoria
e) El vector de perturbaciones aleatorias u tiene una distribución normal multivariante.
u ∼ N(0, σ 2 I )
Es decir, el vector de perturbaciones del modelo tiene una distribución
normal multivariante de media cero y matriz de varianzas-covarianzas
escalar.
Según esta hipótesis, los distintos regresores del modelo toman los mismos
valores para distintas muestras del regresando.
Es importante señalar que, dentro del alcance de este curso, los resultados
que se obtienen utilizando este supuesto se mantendrı́an prácticamente
idénticos si supusiéramos que los regresores son estocásticos, siempre que
introdujéramos el supuesto adicional de independencia entre los regresores
y la perturbación aleatoria.
ρ(X ) = k
Puesto que, tal como se formuló el modelo de regresión, la matriz de
regresores contiene k columnas, correspondientes a los k regresores del
modelo, y N filas, correspondientes al número de unidades muestrales
sobre las que se realizan las observaciones. Esta hipótesis tiene dos
implicaciones:
Según esta hipótesis, los distintos parámetros toman el mismo valor para
diversas muestras de los regresores.
Y ∼ N(X β, σ 2 )
En efecto, el regresando es una función lineal del vector de perturbaciones
aleatorias que, por la hipótesis 3.e.(u ∼ N(0, σ 2 I )) , sigue una distribución
normal. Por lo tanto, Y seguirá también una distribución normal.
Teniendo en cuenta las hipótesis 1 (Y = X β + ui ) y 2.d. (E (ui ) = 0), la
esperanza matemática de la distribución del regresando viene dada por:
E (Y ) = E [X β + u] =
= X β + E (u) = X β
β̂ = [X 0 X ]−1 X 0 Y =
= [X 0 X ]−1 X 0 [X β + u] =
= β + [X 0 X ]−1 X 0 u
Si aplicamos el operador esperanza a la expresión anterior, teniendo en
cuenta que β es un vector fijo y X es una matrix fija y aplicando el
supuesto 2.b:
−1 0
E (β̂) = β + X 0 X
X E (u) = β
β̂ = AY
donde A es una matriz fija.
En efecto, teniendo en cuenta la ecuación de regresión vista en el
Tema 1: −1 0
β̂ = X 0 X
X Y = AY
Puesto que X es una matriz de regresores fijos, según la hipótesis 3.a.
también será fija la matriz A = [X 0 X ]−1 X 0
Josep Navarro jm.navarro@ucv.es Gujarati Capı́tulos
Tema 2: 3Ely modelo
4 Econometrı́a
lineal básico:
el modelo
Hipótesis
Linealy Ezequiel
propiedades
Uriel 1990 Capı́tulo 4 (UCV)
23 / 37
Propiedades probabilı́sticas de los estimadores
û = Y − X β̂ =
= hY − X [X 0 X ]−1 X 0 Y
i =
= I − X [X 0 X ]−1 X 0 Y =
= MY
Una expresión alternativa del vector de residuos, en función de las
perturbaciones aleatorias, seria la siguiente:
û = Y − X β̂ =
= X β + u − X [X 0 X ]−1 X 0 Y =
= hX β + u − X [X 0 X ]i−1 X 0 X β − X [X 0 X ]−1 X 0 u =
= I − X [X 0 X ]−1 X 0 u =
= Mu
Siendo M una matriz idempotente y, por tanto, semidefinida positiva.
Josep Navarro jm.navarro@ucv.es Gujarati Capı́tulos
Tema 2: 3Ely modelo
4 Econometrı́a
lineal básico:
el modelo
Hipótesis
Linealy Ezequiel
propiedades
Uriel 1990 Capı́tulo 4 (UCV)
26 / 37
Estimación de la varianza de las perturbaciones
Mσ 2 IM = σ 2 M
Con lo que se tiene que
û ∼ N(0, σ 2 M)
E [û 0 û]
σ2 = (2)
N −k
Teniendo en cuenta que E [û 0 û] es un estimador insesgado de u 0 u,
podemos obtener un estimador insesgado de la varianza de las
perturbaciones mediante la siguiente expresión:
û 0 û
σ̂ 2 = (3)
N −k
De las ecuaciones (2) y (3) se sigue que un estimador insesgado de
varianzas y covarianzas de β̂ será:
−1 û 0 û 0 −1
ˆ (β̂) = σ̂β̂2 = σ̂ 2 X 0 X
var = XX
N −k
= Ŷi − 2N Ȳ + N Ȳ 2 =
P 2
= Ŷi2 + N Ȳ 2 =
P
= β̂ 0 X 0 X β − N Ȳ 2 =
= β̂ 0 X 0 Y − N Ȳ 2
El denominador de la ecuación (4) será:
X X
(Ŷi − Ȳi )2 = Yi2 + N Ȳ 2 = Y 0 Y − N Ȳ 2
β̂ 0 X 0 Y − N Ȳ 2
R2 =
Y 0 Y − N Ȳ 2
Josep Navarro jm.navarro@ucv.es Gujarati Capı́tulos
Tema 2: 3Ely modelo
4 Econometrı́a
lineal básico:
el modelo
Hipótesis
Linealy Ezequiel
propiedades
Uriel 1990 Capı́tulo 4 (UCV)
33 / 37
Coeficientes de determinación
2 var (u)
RPOB =1−
var (Y )
Hemos visto que el estimador insesgado de var (u) es:
û 0 û
σ̂ 2 =
N −k
Mientras que un estimador insesgado de var (Y ) es:
(Yi − Ȳ )2
P
N −1
Josep Navarro jm.navarro@ucv.es Gujarati Capı́tulos
Tema 2: 3Ely modelo
4 Econometrı́a
lineal básico:
el modelo
Hipótesis
Linealy Ezequiel
propiedades
Uriel 1990 Capı́tulo 4 (UCV)
36 / 37
Coeficientes de determinación corregido
N −1 û 0 û
R̄ 2 = 1 −
N − k (Yi − Ȳ )2
P
N −1
R̄ 2 = 1 − (1 − R 2 )
N −k
De esta expresión se desprende que el coeficiente R̄ 2 penaliza la
introducción de nuevos regresores, ya que, aunque la suma de cuadrados
de los residuos disminuirá, el incremento de k hace que la variación del R̄ 2
pueda tener cualquier signo.