PRINCIPALES INDICADORES PARA EL DIAGNÓSTICO

DEL ANÁLISIS DE REGRESIÓN LINEAL

Ana Cecilia Kikut V.
Bernal Laverde M.
Jorge León M.
Evelyn Muñoz S.
Juan Carlos Quirós S.
Carlos Torres G.
Presentación

En este documento se recopilan los principales indicadores econométricos que

deben tomarse en consideración al efectuar un diagnóstico del análisis de regresión lineal
por mínimos cuadrados ordinarios. El objetivo de esta recopilación es proveer a los
investigadores de un material de apoyo conciso y completo, que puedan tener a mano
para efectuar y evaluar este procedimiento en una forma rigurosa y más ágil.

El formato empleado facilita su consulta y permitirá ir adicionando nuevos temas,

conforme sea necesario. Asimismo, queda abierta la posibilidad de agregar indicadores
adicionales en cada uno de los apartados, lo que posibilita cubrir una gama mayor de
herramientas

Se parte del Análisis de regresión estándar, detallando los supuestos que hay
detrás, y los errores que pueden ocurrir si no se cumple cada uno de ellos. De igual
forma se señala cómo detectar estos problemas y posibles formas de corregirlos. Se
indica además cómo emplear en cada caso el paquete econométrico EViews en las
modalidades de ventanas y línea de comandos. Los aspectos que se analizan se
clasificaron en dos partes: la primera contempla aquellos supuestos relacionados con la
parte sistemática y la segunda los relacionados con la parte aleatoria del análisis de
regresión, como lo establece la siguiente especificación general:

Yt = α + β X t + µ
1424 3 {t
Parte sistemática Parte aleatoria

Este material será empleado en la primera parte del taller de EViews que está
diseñando el equipo de trabajo de Desarrollo y Análisis Metodológico. Se considera que
un complemento de este informe técnico consiste en la documentación de los programas
econométricos que efectúan estos procedimientos, los cuales se presentarán en otro
informe.
 ANÁLISIS DE REGRESIÓN ESTÁNDAR
SUPUESTO PROBLEMA INDICADORES DECISIÓN COMANDOS
(si no se cumple) (E-Views)
E ( X iU j ) = 0 • Signos de los Deben ser los En la línea de
Coeficientes esperados antes de comandos:
realizar el cálculo
LS Y C Xi X2
Χ´ S independientes del • Errores Estándar (Std. Sirven para analizar
comportamiento aleatorio Error) la capacidad Estimación del
Puede darse una • Error Estándar de la explicativa del modelo por
Χ causa Υ violación de los regresión (S.E of modelo (minimizar) ventanas: Se
supuestos, y por regression) seleccionan las
ende deben ser • Suma de los Errores al series que
corregidos. Sin Cuadrado (Sum intervienen como
embargo, squared resid) un objeto ecuación
dependiendo del
objetivo de la • T-statistic: Prueba si la HO : βi = 0 Procs / Make
estimación, algunas variable es Equation
violaciones de los
H1 : β i ≠ 0
significativa.
supuestos podrían no • Probabilidad: indica la Si tc > tt ⇒ SRH 0 O bien:
requerir corrección. probabilidad de
cometer el error de P − valor < 0.05 Quick / Estimate
rechazar la hipótesis Equation
nula siendo cierta
(error de tipo I).

1
SUPUESTO PROBLEMA INDICADORES DECISIÓN COMANDOS
(si no se cumple) (E-Views)
• R2 es un indicador de R 2 elevado, nos
la bondad del ajuste explica la variabilidad
del modelo. de la variable
endógena.

• R2 ajustado: Se obtiene R 2 Ajustado elevado.

a partir del R 2 , y se Permite comparar la
pondera por los grados capacidad explicativa
de libertad. de modelos para una
misma variable
dependiente con
diferente número de
variables
explicativas.

• Durbin-Watson Stat: Toma valores entre 0

Indicador de y 4,
Autocorrelación Serial alrededor de 2 No
de Primer orden en los hay correlación serial
residuos Cercano a 0
Autocorrelación
d = 2 (1 − ρ ) positiva
Cercano a 4
Autocorrelación
negativa

2
SUPUESTO PROBLEMA INDICADORES DECISIÓN COMANDOS
(si no se cumple) (E-Views)
• Akaike info Criterion
• Schwarz criterion A menor valor el
Permiten analizar modelo es mejor.
capacidad predictiva y
realizar la comparación
entre modelos anidados.

• F-statistic permite
contrastar la capacidad Elevado
explicativa conjunta de
las variables
introducidas en el
modelo. P − valor < 0.05
• Prob (F-statistic):
Probabilidad de
cometer el error de tipo
I.

3
 A. ANÁLISIS DE LA PARTE SISTEMÁTICA DE UN MODELO

I. MULTICOLINEALIDAD: Cuando los regresores incluidos en un modelo econométrico se encuentran

interrelacionados.

SUPUESTO PROBLEMA INDICADORES DECISIÓN CORRECCIÓN COMANDOS

(si no se cumple) (E-Views)
• Existe dificultad Modelo globalmente Se rechaza H0 • Suprimir variables Para identificar si
Las variables para conocer el bien estimado (R2 alto cuando sean una serie es
explicativas deben aporte a la y F significativa) pero redundantes y su generadora de
ser linealmente explicación de la todos o algunos efecto sea multicolinealidad
independientes. variables regresores capturado dentro se analiza su
dependiente de cada individuales no de otra(s) capacidad
H 0 : E ( xi y j ) = 0, ∀i, j una de las variables significativos (t - variables(s) del predictiva
explicativas del student bajos) modelo. (Se corre individual en un
modelo en el modelo. el riesgo de modelo de
La multicolinealidad
• La varianza de los introducir sesgo de regresión simple
perfecta se da
estimadores se Pequeños cambios en especificación del en que se use
cuando existe una
encuentra los datos pueden modelo) cada regresor
relación exacta entre
aumentada, lo que producir grandes • Uso de como única
varios de los
implica el rechazo de variaciones en los información variable
regresores del
la significancia estimadores de los adicional (ampliar explicativa. Si
modelo. En este
individual de los parámetros. la muestra) si es pasa a ser
caso de matriz de
regresores que sí posible significativa, es
regresores es
contribuyen a la • Usar primeras indicio de que
singular (no tiene
genera
inversa) y no pueden explicación del diferencias de las
modelo. series (podría multicolinealidad.
determinarse los
parámetros del • Los límites de causar
confianza son más Determinantes de la Se rechaza H0 autocorrelación en Generar y
modelo.
amplios matriz de los residuos) almacenar matriz
• Es un problema de correlaciones entre • Usar razones de de correlaciones
tipo muestral tal vez regresores cercano a las variables, Luego se calcula
no tan malo si el 0. Si los regresores dividiendo todas el determinante:
fueran ortogonales, el

4
SUPUESTO PROBLEMA INDICADORES DECISIÓN CORRECCIÓN COMANDOS
(si no se cumple) (E-Views)
objetivo es la determinante tomaría entre un factor de
predicción puesto el valor de 1. escala común. Comandos
que no conlleva al
incumplimiento de sym mcorrel=
ninguna de las @cor(grupo de
hipótesis en las que var)
se basa el modelo
lineal clásico.
Scalar
detmcorrel=@
det(correl)

Presencia de signos Se rechaza H0

de coeficientes
estimados contrarios a
los esperados o de
una magnitud poco
creíble.

Contraste de H 0 = Rxx = 1
multicolinealidad de
Farrar-Glauber
Si Gcalc>Gtab
G → χ n2 se rechaza H0
donde n=k*(k-1)/2

Factor de Inflación de Se calculan a

la Variancia (FIV) y/o Cuanto mayor partir de
Indices de Tolerancia. sea FIV mayor regresiones en las
es el grado de que cada variable
FIV = 1 multicolinealidad explicativa es
(1 − Rx2i ) de la variable en función del resto

5
SUPUESTO PROBLEMA INDICADORES DECISIÓN CORRECCIÓN COMANDOS
(si no se cumple) (E-Views)
cuestión con de los regresores.
IT = (1 − R )
2 alguna(s) de las
XI
otras variables
en el modelo.
En la práctica un
FIV mayor a 10
se considera
problemático,
aunque un FIV
alto puede
encontrarse por
una variancia
pequeña y/o un
n

∑X
i =1
i
2
alto.

6
 II. ESPECIFICACIÓN: Se refiere a la forma en que está formulado el modelo.

SUPUESTO PROBLEMA INDICADORES DECISIÓN SOLUCIÓN COMANDOS

(SI NO SE AL EVIEWS
CUMPLE) PROBLEMA
La Especificación del Modelo: Mala Ramsey RESET La salida de Si se
especificación: (Regression Eviews muestra: comprueba Windows:
El supuesto es que se conoce la Specification Error que existe el
especificación correcta del modelo de H0: mala Test) i) La problema. Se
regresión. especificación probabilidad pueden probar View/Stability
y = Xβ + ε y = Xβ + ε de la F otras Test/Ramsey
Tipos de errores que pueden cometerse Bajo esta mala estadística. especificacio- RESET
en la especificación de la ecuación especificación los H 0 : ε → N (0,σ I )
2 nes para el
estimada: mínimos cuadrados ii) La modelo
ordinarios, serán H1 : ε → N ( µ ,σ 2 I ) probabilidad (analizando Comando:
1. Omisión de variables relevantes.
2. Inclusión de Variables inconsistentes, por µ≠0 de log de los datos o
superfluas. lo que las máxima revisando la reset(n,
3. Mala Especificación. inferencias no El test se basa en verosimilitud. teoría). options)
serán validas. una regresión
aumentada: Ecuación:

y = Xβ + Zγ + ε
eq_name.rese
Donde se prueba t(opt)
que δ = 0 , y Z es
una matriz de
variables no NOTA: este
test solo sirve
incluidas o las
variables X para MCO.
elevadas a algún
exponente.

7
 III. ESTABILIDAD ESTRUCTURAL: Analiza la presencia de cambios en la relación que vincula las variables del modelo a lo
largo del periodo muestral.

SUPUESTO PROBLEMA INDICADORES DECISIÓN CORRECCIÓN COMANDOS

(si no se (E-Views)
cumple)
Los Disminuye la Punto de Quiebre de Chow: Divide Incorporar el Eq-name.chow
parámetros bondad del la muestra en grupos y estima el H0 = El modelo cambio estructural obs1 obs2 …
del modelo ajuste y el modelo para cada uno, comparando es estable. en el modelo
son estables poder de las ecuaciones de cada submuestra. mediante variables Obs1 obs2 =
durante todo pronóstico. Es necesario indicar los puntos Se rechaza H0 si dummy (D). puntos de quiebre
el período dónde se divide la muestra. la probabilidad definidos.
muestral. de los Puede ser una
Pronóstico de Chow: Compara los estadísticos F y dummy para todo el Eq-name.chow(f)
errores del modelo completo con los Log likelihood es modelo: obs1
del modelo con el primer subgrupo menor que 0.05
(más grande). Se usa cuando el y = α + β1 x + β 2 D Obs1 = único punto
segundo subgrupo es muy pequeño de quiebre.
para correr una regresión. O sólo para la
variable que causa (f) =opción para
el cambio prueba de
estructural: pronóstico
y = α + β 1 x + β 2 Dx
Estimación Coeficientes Hay estabilidad Eq-name.rls(c) c(1)
Recursiva: Recursivos: grafica la si los c(2) ...
Esta evolución de cada coeficientes no Si el número de (c) = opción para
técnica es coeficiente al ir muestran datos lo permite coeficientes
adecuada agregando grandes cambios estimar un modelo recursivos
para series observaciones al ir variando la para cada c(1) c(2) =
de tiempo y muestra submuestra. coeficientes a
cuando no graficar

8
SUPUESTO PROBLEMA INDICADORES DECISIÓN CORRECCIÓN COMANDOS
(si no se (E-Views)
cumple)
se conoce
el punto de Residuos Recursivos: Hay estabilidad Eq-name.rls(r)
quiebre. son los errores de si los residuos se
Sólo sirve predicción un período mantienen dentro (r) = opción para
para MCO. hacia delante de las bandas de residuos recursivos
calculados en cada confianza (de 2
etapa de la desviaciones
estimación recursiva. estándar).
Son útiles cuando el
modelo no contiene
variables dummy.

Cusum: Se construye Hay estabilidad Eq-name.rls(q)

a partir de la suma (al 95% de
acumulada de los significancia) si (q) = opción para
residuos recursivos. el estadístico se CUSUM
Son útiles cuando el mantiene dentro
modelo no contiene de las bandas de
variables dummy. confianza.

Cusum Q: utiliza la Eq-name.rls(v)

suma acumulada de
los residuos al (r) = opción para
cuadrado CUSUM Q

9
 ANÁLISIS DE LA PARTE ALEATORIA DE UN MODELO
I. AUTOCORRELACIÓN: Se presenta cuando los errores del modelo se encuentran correlacionados.
SUPUESTO PROBLEMA
(si no se cumple)
E ( µi µ j ) = 0 H0: existe autocorrelación
Consecuencias: los
no hay
estimadores β son
autocorrelación en
lineales, insesgados y
los residuos.
consistentes pero no
eficientes (variancia
AR ui = ρµ i −1 + ei mínima), dejan de ser
MELI.
MA ui = φei −1 + ei Al existir la posibilidad de
que la variancia estimada
subestime la verdadera
variancia, existe la
posibilidad de que se
sobreestime el R2 y que
las pruebas t y F dejan de
ser válidas, si se aplican
es probable que
conduzcan a conclusiones
erróneas sobre la
significancia estadística • Correlogramas simple y
de los estimadores.
INDICADORES DECISIÓN CORRECCIÓN COMANDOS
(E-Views)
• DW (Durbin Watson): esta DW<Linf: NSR H0 Incluir la variable El cálculo del
prueba permite detectar dependiente estadístico DW se
autocorrelación de primer DW>Lsup: SR H0 rezagada un encuentra en la salida
orden cuando la variable periodo entre las de la estimación de
dependiente rezagada no se Linf<DW<Lsup: no variables MCO.
encuentra dentro de los hay conclusión. explicativas o
regresores del modelo, en agregar un término LS Y C X1 X2
cuyo caso debe recurrirse al autorregresivo o de
Durbin-H, el cual debe medias móviles.
programarse en Eviews.
Linf Lsup
0 2
NSR Ho No concl. SR Ho
Si al menos una Con la barra de
parcial barra (RRR) se herramientas, una vez
sale de los límites ‘abierta’ la serie resid:
(+)Æ NSRH0 VIEW/CORRELATION
(1)
10
SUPUESTO PROBLEMA INDICADORES DECISIÓN CORRECCIÓN COMANDOS
(si no se cumple) (E-Views)
• Q (Ljung-Box-Pierce) P-value>5% SRH0 Eviews lo calcula junto
Se distribuye como una Chi- P-value<5% con los correlogramas
cuadrado. NSRH0 simple y parcial.
(χ2c>χ2t NSRH0)
• Runs test (Prueba de las
corridas) ∼z |zc|>|zt| NSRH0

1.96

• Gráfico de los residuos Se espera que no En la barra de

muestren un herramientas una vez
comportamiento ‘abierta’ la serie resid:
sistemático,
aunque no son un VIEW/ACTUAL,
instrumento FITTED,
definitivo para RESIDUAL/ACTUAL
detectar FITTED,RESIDUAL,
autocorrelación. GRAPH

11
 II. HETEROCEDASTICIDAD: los componentes del vector de errores no tienen igual variancia.

SUPUESTO PROBLEMA INDICADORES DECISIÓN SOLUCIÓN AL COMANDOS

(SI NO SE PROBLEMA EVIEWS
CUMPLE)
Las varianzas de los errores de Mala estimación de Prueba de White Si el valor de la Una solución Para efectuar la
estimación (ui ), condicionales a los la matriz varianzas- probabilidad empírica simple, prueba de White
valores de las variables explicativas covarianzas de los Ho: σi2 = σ2 para asociado al basada en la sobre la regresión
(Xi), son idénticas (homocedásticas): errores mínimo todo i estadístico transformación auxiliar, con
cuadráticos. H1: no se verifica reportado en la Box-Cox, es productos cruzados
( ) ( )
var ui X i = E ui2 X i = σ 2 , ∀i = 1,2,..., n Ho prueba (λ=NR2 ) es reestimar el 2 a 2, pulsamos
Los coeficientes de menor al 5%, modelo original
regresión El estadístico para rechazamos Ho en logaritmos, View/Residual
f(ui) estimados siguen realizar la prueba (homocedasticidad) para suavizar la TEST/White
siendo lineales e (ya sea con y concluimos que el dispersión de los Heteroskedasticity
insesgados. términos cruzados modelo tiene valores (cross terms).
o sin ellos) es problemas de originales.
2
Y Disminución de la λ=NR , heterocedasticidad. Para correr la
eficiencia del donde R2 es el Otra solución es prueba sin términos
estimador mínimo coeficiente de En caso contrario aplicar Mínimos cruzados pulsamos
cuadrático. Éste determinación de la (si la probabilidad Cuadrados
deja de ser el de regresión auxiliar es superior a ese Generalizados View/Residual
mínima varianza correspondiente %), no rechazamos (MCG o TEST/White
entre todos los (con o sin términos Ho y concluimos ponderados), Heteroskedasticity
estimadores cruzados). Y N es que no hay transformando el (no cross terms).
X1 Yi= β1 + β2Xi lineales e el número de heterocedasticidad. modelo original al
X2 insesgados. datos. dividir todas las Para solucionar por
X3
observaciones de MCG, conociendo
X No necesariamente Bajo Ho, dicho las variables por la matriz omega,
es obligatorio estadístico se la desviación pulsamos
corregir por distribuye típica de los secuencialmente
heterocedasticidad, asintóticamente errores. Procs/Make

12
SUPUESTO PROBLEMA INDICADORES DECISIÓN SOLUCIÓN AL COMANDOS
(SI NO SE PROBLEMA EVIEWS
CUMPLE)
pero si queremos como χ2(p), donde Un tratamiento Equation, Options,
hacer inferencia p es el número de más avanzado de Weighted LS/TSLS
estadística sí variables incluidas la heterocedasti- y en la casilla
debemos corregirla en la regresión cidad es el uso Weight
auxiliar, de modelos especificamos la
exceptuando el ARCH y GARCH. variable de
término ponderación y
independiente. pulsamos OK

13
Referencias

Carrascal, Ursicino, González Yolanda y Rodríguez Beatriz. (2001). “Análisis

Econométrico con EVIEWS”. Alfaomega Grupo Editor S.A. México D.F.

Fernández Viviana. (2000). “Material de repaso:teoría Econométrica I (EAE-350B)”

manuscrito, Instituto de Economía, Pontificia Universidad Católica de Chile.

Green, William (1998). “Análisis Econométrico”. Prentince Hall, Tercera Edición.

Gujarati, Damodar. (1997) “Econometría”. Mc Grae Hill, Tercera Edición.

Kikut Croceri, Otto. (1997). “Análisis de regresión múltiple utilizando EViews 2.0”. Consejo
Monetario Centroamericano.

Pena, Bernardo; Estavillo, Julio; Galindo, María Ester; Receta, María José; Zamora, María
del Mar. “Cien ejercicios de econometría”