EViews 10 Users Guide II-1-250

Machine Translated by Google
ESTUPENDO
Guía del usuario de EViews 10 II

Guía del usuario de EViews 10 II

Copyright © 1994–2017 IHS Global Inc.
Reservados todos los derechos
ISBN: 978-1-880411-38-4
Este producto de software, incluido el código del programa y el manual, tiene derechos de autor y todos los derechos están
reservados por IHS Global Inc. La distribución y venta de este producto están destinadas únicamente al comprador original. Salvo lo
permitido por la Ley de derechos de autor de los Estados Unidos de 1976, ninguna parte de este producto puede reproducirse o
distribuirse de ninguna forma o por ningún medio, ni almacenarse en una base de datos o sistema de recuperación, sin el permiso
previo por escrito de IHS Global Inc.
Descargo de responsabilidad
Los autores e IHS Global Inc. no asumen ninguna responsabilidad por los errores que puedan aparecer en este manual o en el
programa EViews. El usuario asume toda la responsabilidad por la selección del programa para lograr los resultados previstos y por
la instalación, el uso y los resultados obtenidos del programa.
Marcas registradas
EViews® es una marca registrada de IHS Global Inc. Windows, Excel, PowerPoint y Access son marcas registradas de Microsoft
Corporation. PostScript es una marca comercial de Adobe Corporation. X11.2 y X12-ARIMA Versión 0.2.7, y X-13ARIMA-SEATS
son programas de ajuste estacional desarrollados por la Oficina del Censo de EE. UU. Tramo/Seats es propiedad intelectual de
Agustín Maravall y Víctor Gómez. Info-ZIP es proporcionado por las personas que figuran en el archivo infozip_license.txt. Consulte
este archivo en el directorio de EViews para obtener más información sobre Info-ZIP. Zlib fue escrito por Jean-loup Gailly y Mark
Adler. Se puede encontrar más información sobre zlib en el archivo zlib_license.txt en el directorio EViews. Bloomberg es una marca
comercial de Bloomberg Finance LP Todos los demás nombres de productos mencionados en este manual pueden ser marcas
comerciales o marcas comerciales registradas de sus respectivas empresas.
IHS Global Inc.
4521 Campus Drive, #336

Irvine California, 92612-2621
Teléfono: (949) 856-3368
Fax: (949) 856-2044
correo electrónico: sales@eviews.com
web: www.eviews.com
20 de junio de 2017
Tabla de contenido
EVIEWS 10 GUÍA DEL USUARIO I
PREFACIO ....................................................................1
PARTE I. FUNDAMENTOS DE LAS OPINIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
CAPÍTULO 1. INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
¿Qué es EViews? . . . . . . . ....... ...... . ...... ....... ....... ....... ...... .....5
La ventana de EViews. . . . ....... ...... . ...... ....... ....... ...... . ...... .....5
Campos de edición personalizados en EViews. . . . . . ...... ....... ...... ....... ....... ....... . . . 10
Romper o cancelar en EViews. . ...... ....... ....... ....... ...... ....... .... 14
Cerrando EViews. . ...... . ...... ....... ...... ....... ....... ....... ...... .... 14
A dónde ir en busca de ayuda . . . . . . . . . . . ...... ....... ...... . ...... . ...... ....... . . . 14
Actualizaciones de EViews. . . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . 15
CAPÍTULO 2. UNA DEMOSTRACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Obtener datos en EViews. ....... ...... ....... ....... ....... ...... ....... .... 17
Examen de los datos. . . . . ....... ....... ...... ....... ....... ....... ...... . . . . 20
Estimación de un modelo de regresión. . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . 27
Especificación y Pruebas de Hipótesis. ....... ...... ....... ....... ....... ...... . . . . 30
Modificando la Ecuación. . ....... ...... . ...... ....... ....... ....... ...... . . . . 31
Pronóstico a partir de una ecuación estimada. . . . ...... . ...... ....... ....... ...... . . . . 34
Pruebas adicionales. . . . . ....... ....... ....... ...... . ...... . ...... ....... . . . . 39
CAPÍTULO 3. FUNDAMENTOS DEL ARCHIVO DE TRABAJO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

¿Qué es un archivo de trabajo? . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... .... 41
Creación de un archivo de trabajo. . . . . . ...... ....... ....... ...... ....... ....... ....... . . . 42
La ventana del archivo de trabajo. . . . . . . . . . ....... ....... ...... ....... ....... ...... . . . . 60
Guardar un archivo de trabajo. . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . 75
Cargando un archivo de trabajo. . . . . . . . . . . . ...... ....... ....... ....... ...... . ...... . . . . 82
Archivos de trabajo de varias páginas. . . . ....... ....... ...... ....... ....... ....... ...... . . . . 82
Comparación de archivos de trabajo. . . . ....... ....... ...... ....... ....... ....... ...... . . . . 92
Apéndice. . . . ....... ....... ...... ....... ....... ....... ...... ....... . . . . 94
CAPÍTULO 4. FUNDAMENTOS DE LOS OBJETOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
¿Qué es un Objeto? . . . . . ....... ...... . ...... ....... ....... ...... . ...... . . . 101
ii—Índice
Operaciones básicas de objetos. . . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . . . . .105
La ventana de objetos. ....... ...... ....... ...... . ...... ....... ....... . . . . . . .112
Trabajando con Objetos. . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .115
CAPÍTULO 5. MANEJO DE DATOS BÁSICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
Objetos de datos. . . . . . . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . .123
muestras . . ...... . ....... ...... ....... ...... . ...... ....... ....... . . . . . . .136
Objetos de muestra. . . . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .144
Importación de datos. . . . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .146
Exportación de datos. . . . . . . . . . . . ...... ....... ...... ....... ....... ...... . . . . . . . .161
Lectura de datos de EViews utilizando otras aplicaciones. . . . . . . . ....... ....... ....... . . . . . . .164
Conversión de frecuencia. . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .170

Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .177
CAPÍTULO 6. TRABAJO CON DATOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179
Expresiones numéricas. ...... . ...... ....... ...... ....... ....... ....... . . . . . . .179
Serie . . . . . ....... ....... ...... ....... ...... . ...... ....... ....... . . . . . . .189
Auto-serie. ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .193
grupos . . ....... ....... ....... ...... ....... ....... ....... ...... . . . . . . . .198
escalares . . . ...... ....... ....... ...... ....... ....... ....... ...... . . . . . . . .202
CAPÍTULO 7. TRABAJO CON DATOS (AVANZADO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .203
Serie de actualización automática. . . . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .203
Serie Alfa. . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .208
Serie de fechas. . . . . . . . ....... ...... ....... ...... . ...... ....... ....... . . . . . . .216
Mapas de valor. . . . . . ....... ....... ....... ...... ....... ....... ...... . . . . . . . .219
CAPÍTULO 8. ENLACES DE SERIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .233
Conceptos básicos de enlace. . . . . . . . ...... ....... ...... . ...... ....... ....... . . . . . . .233
Crear un vínculo .... ....... ....... ....... ...... ....... ....... ....... . . . . . . .247
Trabajar con vínculos. ....... ...... ....... ....... ...... ....... ....... . . . . . . .257
CAPÍTULO 9. ARCHIVOS DE TRABAJO AVANZADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .263
Estructuración de un archivo de trabajo. . . . . . ....... ...... ....... ...... . ...... . ...... . . . . . . . .263
Cambiar el tamaño de un archivo de trabajo. ....... ....... ....... ...... ....... ....... ....... . . . . . . .288
Agregar a un archivo de trabajo. . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .291
Contratación de un Workfile. . . . . . ...... ....... ...... . ...... ....... ....... . . . . . . .294
Copiar desde un archivo de trabajo. . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .294
Reformar un archivo de trabajo. . . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .298

Índice—iii
Ordenar un archivo de trabajo. . . . . ....... ....... ....... ...... ....... ....... ....... . . . 315
Exportación desde un archivo de trabajo. ...... ....... ...... ....... ....... ....... . . . . . . . . . 315
Referencias . . . ....... ....... ....... ...... ....... ....... . . . . . . . . . . . . . . . . 316
CAPÍTULO 10. BASES DE DATOS DE EVIEWS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317

Descripción general de la base de datos. . . . . ....... ....... ...... ....... ....... ....... . . . . . . . . . 317
Fundamentos de la base de datos. ....... . ...... ....... ...... ....... ....... ....... . . . . . . . . . 318
Trabajar con objetos en bases de datos. . . . . . . ...... ....... ....... ....... . . . . . . . . . 322
Serie automática de bases de datos. . . . ....... ....... ...... ....... ....... ....... . . . . . . . . . 329
El Registro de la Base de Datos. . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . . . . 331
Consultando la base de datos. . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . . . . 333
Alias de objetos y nombres ilegales. . ....... ....... ...... ....... ....... ....... . . 341
Mantenimiento de la base de datos. . . . . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . 343
Bases de datos en formato extranjero. ...... ....... ....... ...... ....... ....... ....... . . 345
Trabajar con enlaces DRIPro. . . . . . ....... ....... ...... ....... ....... ....... . . 389
PARTE II. ANÁLISIS DE DATOS BÁSICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .395
CAPÍTULO 11. SERIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397

Resumen de vistas de serie. . . . . . . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . 397
hoja de calculo . . . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . . . . 398
Grafico . . . . . . . . . ....... ...... ....... ....... ...... ....... ....... . . . . . . . . . 398
Estadísticas y pruebas descriptivas. . . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . 398
Tabulación de un solo sentido. . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . . . . . . . . 415
Correlograma. . . . ...... . ...... ....... ...... ....... ....... ....... . . . . . . . . . 416
Varianza a largo plazo. . . . . . . . . . . . . ...... . ...... ....... ....... ...... ....... . . . 419
Prueba de raíz unitaria. . ....... ....... ....... ...... ....... ....... ....... . . . . . . . . . 419
Prueba de raíz unitaria de punto de ruptura. . . . . . . ...... ....... ....... ....... ...... ....... . . . 420
Prueba de razón de varianza. . . . . . . . . . . . ...... ....... ....... ....... . . . . . . . . . . . . . . . . 420
Prueba de Independencia BDS. . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 420
Evaluación de Pronósticos. . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . . . . 420
Etiqueta . . . . . . . . . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . . . . 427
Propiedades . . . . . . . . . . . . . ...... . ...... ....... ...... ....... ....... . . . . . . . . . 428
Ajuste de serie. . . ....... ....... ....... ...... ....... ....... ....... . . . . . . . . . 429
Descripción general de los procesos de la serie. . . . ....... ...... ....... ...... ....... ....... ....... . . 430
Generar por Ecuación. . . ....... ...... ....... ....... ....... . . . . . . . . . . . . . . . . 430
Generar por Clasificación. . . . . . . ...... ....... ....... ....... . . . . . . . . . . . . . . . . 431
volver a muestrear . . . . . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . . . . 435

iv—Índice
interpolar ...... . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . .437
Ajuste estacional. . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .440
Pronósticos automáticos ARIMA. . . . . . . ....... ...... . ...... ....... ....... . . . . . . .491
Promedio de pronósticos. . . . . . . . . ...... ....... ....... ...... ....... ....... . . . . . . .500
Suavizado exponencial. . . . . . ...... ....... ...... . ...... ....... ....... . . . . . . .506

Filtro Hodrick-Prescott. . . . . . ....... ....... ...... ....... ....... ...... . . . . . . . .533
Filtro de frecuencia (paso de banda) . . . . . . . . ....... ....... ...... ....... ....... . . . . . . .534
Blanquear datos. . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .538
Datos de la parcela de distribución. . . . . . . . . . . . . ....... ...... . ...... ....... ....... . . . . . . .538
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .539
CAPÍTULO 12. GRUPOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .543
Resumen de vistas de grupo. . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .543
Miembros del grupo . . . . . . . . . . . ...... ....... ...... . ...... ....... ....... . . . . . . .543
hoja de calculo . . . . . ....... ....... ...... ....... ....... ....... ...... . . . . . . . .544
Tabla de datos fechados. . . . . . . . . ....... ....... ...... ....... ....... ...... . . . . . . . .550
Grafico . . . . . . . . . . . . ....... ...... ....... ....... ...... ....... ....... . . . . . . .568
Estadísticas descriptivas . . . . . . . ....... ....... ...... ....... ....... ...... . . . . . . . .568
Análisis de covarianza. . . . . . . ....... ...... . ...... ....... ....... ....... . . . . . . .568
Tabulación N-Way. ....... ....... ...... . ...... ....... ....... ....... . . . . . . .581
Pruebas de Igualdad. . . . . . . . . . ....... ...... ....... ....... ....... ....... . . . . . . .585
Componentes principales . . . . . ....... ....... ....... ...... ....... ....... . . . . . . . .586
Correlogramas. . . . . . ...... . ...... ....... ...... ....... ....... ....... . . . . . . .599
Correlaciones cruzadas y correlogramas. . ....... ...... ....... ....... ...... . . . . . . . .599
Covarianza a largo plazo. . . . . . . . ...... . ...... ....... ...... ....... ....... . . . . . . .600
Prueba de raíz unitaria. . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .606
Prueba de cointegración. . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .606
Causalidad de Granger. . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .606

Etiqueta . . . . . ...... . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . .607
Descripción general de los procedimientos de grupo. . ...... ....... ....... ...... ....... ....... . . . . . . .608
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .612
CAPÍTULO 13. GRÁFICOS DE DATOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .613
Inicio rápido . ...... ....... ....... ....... ...... ....... ....... ....... . . . . . . .614
Graficando una Serie. . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .617
Graficando Series Múltiples (Grupos) . . . . ....... ....... ...... ....... ....... . . . . . . .626
La muestra del gráfico. . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . .637
Índice—v
Gráfico Pan y Zoom. . . . ....... ...... . ...... ....... ....... ....... ...... . . . 640
Presentación de diapositivas de varios gráficos. . . ....... ....... ...... ....... ....... ....... ...... . . . 642
Personalización básica. . . . ....... ...... ....... ....... ....... ...... . ...... . . . 644
Tipos de gráficos. . . . . . . . . . . ...... ....... ...... . ...... ....... ....... ...... . . . 665
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 711
CAPÍTULO 14. GRÁFICOS CATEGÓRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 713
Ejemplos Ilustrativos. . . . ....... ....... ...... ....... ....... ....... ...... . . . 713
Especificación de factores. . . . . . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 730
PARTE III. SALIDA PERSONALIZADA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .745
CAPÍTULO 15. OBJETOS GRÁFICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 747
Creación de objetos gráficos. . . . . . . . . ....... ...... ....... ....... ....... ...... ... 747
Combinación de gráficos. . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . 752
Personalización de gráficos. . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . 752
Modificación de varios gráficos. . . . . . ...... ....... ....... ....... ...... . ...... . . . 779
Impresión de gráficos. . . . . . . . ....... ....... ...... ....... ....... ....... ...... . . . 782
Guardar gráficos en un archivo. . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 783
Comandos gráficos. . . . . ....... . ...... ....... ....... ....... ...... ....... . . . 784
CAPÍTULO 16. TABLA Y OBJETOS DE TEXTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 785
Objetos de mesa. . . . . . . . . ....... ....... ...... ....... ....... ....... ...... . . . 785
Objetos de texto. . . . . . . . . . ....... ...... . ...... ....... ....... ...... . ...... . . . 796
CAPÍTULO 17. OBJETOS DE CARRETE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 797
Creación de un carrete. . . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . 797
Gestión de la cola. . . . . ....... ...... ....... ....... ....... ...... ....... . . . 798
Personalización de la bobina. . . . . . . . . . ...... ....... ....... ....... ...... . ...... . . . 809
Edición de objetos en un spool. . . . . . . ....... ...... ....... ....... ....... ...... . . . 812
Impresión de un carrete. . . . . . . . ....... ...... . ...... ....... ....... ....... ...... . . . 815
Guardar un Spool. ....... ....... ....... ...... ....... ....... ....... ...... . . . 816
PARTE IV. EXTENSIÓN DE OPINIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .819

Cree su propio estimador. . . . . . ...... . ...... ....... ....... ....... ...... . . . 819
Agregar elementos de menú y clases de objetos. . . . . . . . . . . . . ....... ....... ....... ...... . . . 819
Conéctese con aplicaciones externas. . . . . . ....... ...... . ....... ...... ....... . . . 820
CAPÍTULO 18. ENLACE E INCORPORACIÓN DE OBJETOS (OLE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 823
Incrustación frente a vinculación. . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 824
vi—Índice
Uso de OLE. ...... ....... ....... ...... . ...... ....... ....... ....... . . . . . . .824
Apertura de documentos con objetos vinculados. . . . . . ...... ....... ....... ....... . . . . . . .851
APÉNDICE A. OPCIONES GLOBALES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .855
El menú de opciones. ....... ....... ....... ...... ....... ....... ....... . . . . . . .855
Configuración de impresión . ....... ....... ...... ....... ...... . ...... ....... ....... . . . . . . .875
APÉNDICE B. EDICIÓN MEJORADA DE HOJAS DE CÁLCULO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .879
Expresiones de matriz. . . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . .879
EVIEWS 10 GUÍA DEL USUARIO II
PREFACIO .................................................................... 1
PARTE V. ANÁLISIS BÁSICO DE ECUACIONES ÚNICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
CAPÍTULO 19. ANÁLISIS DE REGRESIÓN BÁSICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Objetos de ecuación. . . . . . . . . . ....... ....... ...... ....... ....... ....... ...... ..5
Especificación de una ecuación en EViews. . . . . . . . . . . ...... . ...... ....... ....... ...... ..6
Estimación de una ecuación en EViews. . . . ...... ....... ....... ....... ...... ....... ..9
Salida de ecuación. . . ....... ....... ....... ...... ....... ....... ....... ...... . .11
Trabajando con Ecuaciones. . . . ....... ....... ...... ....... ....... ....... ...... . .18
Problemas de estimación. . . . . . . ....... ...... ....... ....... ....... ....... ...... . .22
Referencias ....... ....... ...... ....... ....... ...... ....... ....... ...... . .22
CAPÍTULO 20. HERRAMIENTAS DE REGRESIÓN ADICIONALES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Expresiones de ecuaciones especiales. . . . . . . . ...... ....... ....... ....... ...... . ...... . .23
Errores estándar robustos. . . . . . ...... ....... ...... ....... ....... ....... ...... . .32
Mínimos cuadrados ponderados. . . . . . . . . . . ....... ...... ....... ....... ....... ...... . .47
Mínimos cuadrados no lineales. . . . . . . . . . . ....... ...... ....... ....... ....... ...... . .51
Regresión por mínimos cuadrados paso a paso. . . . . . . . . . . ...... ....... ....... ....... ...... . .60
Referencias ....... ....... ...... ....... ....... ...... ....... ....... ...... . .67
CAPITULO 21. VARIABLES INSTRUMENTALES Y MGM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... ...... . .69
Mínimos cuadrados en dos etapas. . . . . . . . . . . ....... ...... ....... ....... ....... ...... . .69
Mínimos cuadrados no lineales de dos etapas. . . . . . . . . ....... ....... ....... ....... ...... . .76
Información limitada Máxima verosimilitud y estimación de clase K. . . . . . . ....... ...... . .77
Método Generalizado de Momentos. . . . . ...... . ...... ....... ....... ...... . ...... . .81
IV Diagnósticos y Pruebas. . . . . ...... ....... ....... ...... ....... ....... ...... . .92
Índice—vii
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . . 97
CAPÍTULO 22. REGRESIÓN DE SERIE DE TIEMPO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Fondo . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . . . 99
Pruebas de correlación serial. . . . . ....... ...... . ...... ....... ....... ...... . . . 107
Estimación de modelos ARIMA y ARFIMA en EViews. . ....... ....... ....... ....... . . 110
Salida de estimación. . . . . ....... ....... ....... ...... ....... ....... ....... . . . 124
Diagnóstico de ecuaciones. . . . . . . . . . . ...... ....... ....... ....... ...... . ...... . . . 127
Ejemplos . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . . 133
Temas adicionales. . . . . . ....... ...... . ...... ....... ....... ...... . ...... . . . 138
Detalles del método de estimación. . . . . . . . . . . . . . ...... ....... ....... ....... ...... . . . 140
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 145
CAPÍTULO 23. PREDICCIÓN A PARTIR DE UNA ECUACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Pronóstico a partir de ecuaciones en EViews. . . . . ...... . ...... ....... ....... ...... . . . 147
Una ilustración . . ....... ....... ....... ...... ....... ....... ....... ...... . . . 150
Conceptos básicos de pronóstico. . ...... . ...... ....... ...... . ...... ....... ....... ...... . . . 154
Pronósticos con variables dependientes rezagadas. . . . . . . . ...... ....... ....... ....... . . 160
Predicción con errores ARMA. . . . ....... ....... ...... ....... ....... ....... . . 162
Pronósticos a partir de Ecuaciones con Expresiones. . . . . . . ...... ....... ....... ...... . . . 167
Pronósticos con Especificaciones No Lineales y PDL. . ....... ....... ....... ...... . . . 173
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 174
CAPÍTULO 24. ESPECIFICACIONES Y PRUEBAS DE DIAGNÓSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Fondo . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . . 175
Coeficiente de Diagnóstico. . . . . . . . . . ...... . ...... ....... ....... ...... . ...... . . . 176
Diagnósticos residuales. . . . ....... ...... . ...... ....... ....... ....... ...... . . . 193
Diagnóstico de estabilidad. . . . . . . . . . . ...... . ...... ....... ....... ...... . ...... . . . 205
Aplicaciones . . . ....... ...... ....... ...... . ...... ....... ....... ...... . . . 234
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 239
PARTE VI. ANÁLISIS AVANZADO DE ECUACIONES ÚNICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .241
CAPÍTULO 25. ESTIMACIÓN DE ARCH Y GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Especificaciones básicas de ARCH. . . . . . . . . . . . . ....... ....... ....... ...... . ...... . . . 243
Estimación de modelos ARCH en EViews. . . . . . . ...... ....... ....... ....... ...... . . . 246
Trabajando con Modelos ARCH . . . . . ....... ...... ....... ....... ....... ...... . . . 253
Modelos ARCH adicionales. ....... ...... ....... ....... ....... ....... ...... . . . 256
Ejemplos . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . . 261
viii—Índice
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .265
CAPÍTULO 26. REGRESIÓN COINTEGRADORA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .267
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .267
Estimación de una regresión de cointegración. . . . . . . . ....... ...... ....... ....... . . . . . . .269
Pruebas de cointegración. . . . ....... ...... . ...... ....... ....... ....... . . . . . . .282
Trabajando con una Ecuación. . . ....... ...... . ...... ....... ....... ....... . . . . . . .291
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .293
CAPÍTULO 27. MODELOS DE RETRASO DISTRIBUIDO AUTORREGRESIVO ( ARDL ) . . . . . . . . . . . . . . . . . . . . . . . .295
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .295
Estimación de modelos ARDL en EViews. . . ....... ....... ...... ....... ....... . . . . . . .301
Un ejemplo . . . . . . ....... ....... ...... . ...... ....... ....... ...... . . . . . . . .304

Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .311
CAPÍTULO 28. REGRESIÓN DE MIDAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .313
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .313

Estimación MIDAS en EViews. . ...... ....... ...... . ...... ....... ....... . . . . . . .318
Un ejemplo . . . . . . ....... ....... ...... . ...... ....... ....... ...... . . . . . . . .323

Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .330
CAPÍTULO 29. MODELOS DE VARIABLES DEPENDIENTES DISCRETAS Y LIMITADAS . . . . . . . . . . . . . . . . . . . . . . .331
Modelos de variable dependiente binaria. . . ...... ....... ....... ....... ...... . . . . . . . .331
Modelos de variables dependientes ordenadas. . . . . . . . . ....... ...... ....... ....... . . . . . . .350
Modelos de regresión censurados. . . . . . . . ....... ...... ....... ....... ....... . . . . . . .357
Modelos de regresión truncados. . . . . . . ....... ...... ....... ....... ....... . . . . . . .367

Modelo de selección de Heckman. . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .371
Contar modelos. . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .377
Notas técnicas . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .387
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .389
CAPÍTULO 30. MODELOS LINEALES GENERALIZADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .391

Visión general . . . . . . . . . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . .391
Cómo estimar un GLM en EViews. . . . ....... ...... ....... ....... ....... . . . . . . .393
Ejemplos . ...... ....... ....... ....... ...... ....... ....... ....... . . . . . . .397
Trabajar con una ecuación GLM. . . . . . ....... ....... ...... ....... ....... . . . . . . .405
Detalles técnicos . . ....... ....... ...... ....... ....... ....... ...... . . . . . . . .409
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .420
Índice—ix
CAPÍTULO 31. MÍNIMOS CUADRADOS ROBUSTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 421
Fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 421
Estimación de regresión robusta en EViews. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429

Una ilustración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 440
CAPÍTULO 32. MÍNIMOS CUADRADOS CON PUNTOS DE RUPTURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
Fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
Estimación de mínimos cuadrados con puntos de ruptura en EViews. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
Trabajar con ecuaciones de puntos de ruptura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446

Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 459
CAPÍTULO 33. REGRESIÓN DE UMBRAL DISCRETO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 461
Fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 461
Estimación de umbral en EViews. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463
Trabajar con ecuaciones de umbral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 465

Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475
CAPÍTULO 34. REGRESIÓN DE TRANSICIÓN SUAVE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477
Fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477
Estimación de una regresión de transición suave en EViews. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 480

Trabajar con ecuaciones de umbral suave. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503
CAPÍTULO 35. REGRESIÓN CONMUTADORA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 505
Fondo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 505
Estimación de regresiones de conmutación en EViews. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
Salida de estimación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519

Cambio de vistas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 521
Procesos de conmutación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524
Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 525
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 539
CAPÍTULO 36. REGRESIÓN CUANTÍLICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541
Estimación de la regresión cuantil en EViews. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541

Vistas y Procedimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 546
x—Índice
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .553

Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .563
CAPÍTULO 37. EL OBJETO LOG VERSIBILIDAD (LOGL) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .565
Visión general . . . . . . . . . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . .565
especificación . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .567

Estimacion . ...... ....... ....... ....... ...... ....... ....... ....... . . . . . . .572
Vistas de registro. . . . . . . ....... . ...... ....... ...... ....... ....... ....... . . . . . . .575
Procesos LogL. . . . . . . . ...... . ...... ....... ...... . ...... ....... ....... . . . . . . .575
Solución de problemas . . . . . . . . . . ....... ....... ...... ....... ....... ...... . . . . . . . .578

Limitaciones. ...... ....... ....... ....... ...... ....... ....... ....... . . . . . . .579
Ejemplos . ...... ....... ....... ....... ...... ....... ....... ....... . . . . . . .580
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .586
PARTE VII. ANÁLISIS UNIVARIADO AVANZADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .587
CAPÍTULO 38. ANÁLISIS DE SERIES TEMPORALES UNIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .589
Pruebas de raíces unitarias. . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .589
Pruebas de raíces unitarias con punto de quiebre. . . . . . . . . . . ....... ...... ....... ....... . . . . . . .601
Pruebas de raíces unitarias del panel. . . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . . . . .617
Prueba de razón de varianza. . . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .627
Prueba de Independencia BDS. . . . . . . . . . . . ...... ....... ....... ....... ...... . . . . . . . .636

Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .640
PARTE VIII. ANÁLISIS DE ECUACIONES MÚLTIPLES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .643
CAPÍTULO 39. ESTIMACIÓN DEL SISTEMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .645
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .645
Métodos de estimación del sistema. . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .646
Cómo crear y especificar un sistema. . ...... ....... ....... ....... ...... . . . . . . . .648
Trabajo con sistemas. . . . . ....... ....... ...... ....... ....... ....... . . . . . . .661
Discusión Técnica. . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .674
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .685
TEMA 40. MODELOS VECTORIALES DE AUTOREGRESIÓN Y CORRECCIÓN DE ERRORES . . . . . . . . . . . . . . . . . .687
Autoregresiones vectoriales (VAR) . . . . . . ....... ...... ....... ....... ....... . . . . . . .687

VAR con restricciones lineales. ...... ....... ....... ...... ....... ....... . . . . . . .693
Vistas y procesos de un VAR ... . ...... ....... ...... . ...... ....... ....... . . . . . . .701
VAR Estructurales (Identificados) . . . . . . . . . ...... ........ ...... ....... ....... . . . . . . .714

Índice—xi
Modelos de corrección de errores de vector (VEC) . . . . . . . . . . . ....... ....... ....... ...... . . . 726
Bayesiano SÍ .. ....... ....... ....... ...... ....... ....... ....... ...... . . . 732
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 753
CAPÍTULO 41. MODELOS DE ESPACIO DE ESTADOS Y EL FILTRO DE KALMAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 755
Fondo . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . . 755
Especificación de un modelo de espacio de estado en EViews. . . . . . . . . ....... ....... ....... ...... . . . 760
Trabajando con el Espacio de Estado. . . . . . . . . . . ...... ....... ....... ....... ...... . . . 773
Conversión desde la versión 3 Sspace. ...... . ...... ....... ....... ....... ...... . . . 778
Discusión Técnica. . . . ....... ...... ....... ....... ....... ...... . ...... . . . 779
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 779
CAPÍTULO 42. MODELOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 781

Visión general . . . . . . ...... . ...... ....... ...... . ...... ....... ....... ...... . . . 781
Un modelo de ejemplo. . . . . ....... ....... ...... ....... ....... ....... ...... . . . 784
Construcción de un modelo. . . . . . . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 799
Trabajar con la estructura del modelo. ...... ....... ....... ....... ...... . ...... . . . 801
Especificación de escenarios. . . . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 808
Uso de factores de adición. . . . . . . . . . . . . ...... ....... ....... ....... ...... ....... . . . 812
Bloqueo del modelo. . . . . . ....... ...... ....... ...... . ...... . ...... ....... . . . 814
Resolviendo el Modelo. . . . . . . . . . . . ....... ...... . ...... ....... ....... ...... . . . . 815
Trabajar con los datos del modelo. . . . ...... . ...... ....... ....... ....... ...... . . . 833
Comparación de los datos de la solución. ....... ...... . ...... ....... ....... ...... . ...... . . . 837
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 839
PARTE IX. PANEL Y DATOS CONJUNTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .841
CAPÍTULO 43. SERIE TEMPORAL CONJUNTA , DATOS DE SECCIÓN TRANSVERSAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 843

El archivo de trabajo de la piscina. . . . . . ....... ...... . ...... ....... ....... ...... . ...... . . . 843
El objeto de la piscina. . . . . . . . . ...... ....... ....... ...... ....... ....... ....... . . 844
Datos almacenados . . . . . . . . . . ....... ....... ...... ....... ....... ....... ...... . . . 847
Configuración de un archivo de trabajo de grupo. ...... ....... ...... ....... ....... ....... ...... . . . 849
Trabajar con datos agrupados. . . . . . . ....... ...... . ...... ....... ....... ....... . . 856
Estimación combinada. . . . . . . . . . . . ....... ....... ...... . ...... . ...... ....... . . . 864
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . . 891
CAPÍTULO 44. TRABAJO CON DATOS DEL PANEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 893
Estructuración de un archivo de trabajo del panel. . . . . ....... ...... ....... ....... ....... ...... . . . 893
Visualización del archivo de trabajo del panel. . . ...... ....... ...... . ...... ....... ....... ...... . . . 896
xii—Índice
Información del archivo de trabajo del panel. . . ...... ....... ....... ...... ....... ....... . . . . . . .897
Trabajando con Datos de Panel. . . . . . . . . . ...... . ...... ....... ....... ....... . . . . . . .901
Análisis de datos de panel. . . . . . . ....... ....... ...... ....... ....... ...... . . . . . . . .914
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .914
CAPÍTULO 45. ESTIMACIÓN DEL PANEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .917
Estimación de una ecuación de panel. . . . . . . . ....... ...... ....... ....... ....... . . . . . . .917
Ejemplos de estimación de panel. . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .927
Prueba de ecuación de panel. . . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . . . . .943
Fondo de estimación. . . . . ....... ....... ...... ....... ....... ....... . . . . . . .966

Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .971
CAPÍTULO 46. ESTIMACIÓN DE COINTEGRACIÓN DE PANELES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .973
Fondo . . . . . . ....... ....... ....... ...... ....... ....... ....... . . . . . . .973
Estimación de la cointegración del panel en EViews. . . . . . . . . . . ....... ....... ....... . . . . . . .974
Trabajando con una ecuación de cointegración de panel. . . . . . . ....... ....... ....... ...... . .980
Ejemplos . ...... ....... ....... ....... ...... ....... ....... ....... . . . . . . .981
Detalles técnicos . . ....... ....... ...... ....... ....... ....... ...... . . . . . . . .987
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . .992
CAPÍTULO 47. ESTADÍSTICAS DEL PANEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .993
Por-Estadísticas. . . . . . ....... ....... ...... . ...... ....... ....... ...... . . . . . . . .996

Covarianzas del panel. . . . ...... ....... ...... ....... ...... ....... ....... . . . . . . .999
Componentes principales del panel. . . . . . . ....... ....... ....... ....... ....... . . . . . . 1004
Pruebas de causalidad de panel. . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . 1010
Desviaciones de largo plazo del panel. . . . . . . . . . ...... . ...... ....... ....... ...... . . . . . . . 1012
Pruebas de raíces unitarias del panel. . . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . . . . 1014
Pruebas de cointegración de panel. . . . . . . . . ....... ...... ....... ....... ...... . . . . . . . 1016
Prueba de dependencia de la sección transversal del panel. . ....... ....... ...... ....... ....... . . . . . . 1018
Remuestreo de paneles. . . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . 1018
Análisis de paneles apilados. . . . . ....... ...... . ...... ....... ....... ...... . . . . . . . 1019
Referencias ....... ....... ...... ....... ....... ...... ....... ....... . . . . . . 1020
PARTE X. ANÁLISIS MULTIVARIANTE AVANZADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1021
CAPÍTULO 48. PRUEBAS DE COINTEGRACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1023
Prueba de cointegración de Johansen. . . . . . . . ....... ...... ....... ....... ....... . . . . . . 1023
Pruebas de cointegración de una sola ecuación. . . . . . . . . ....... ....... ....... ....... . . . . . . 1032
Pruebas de cointegración de panel. . . . . . . . . ....... ...... ....... ....... ...... . . . . . . . 1036

Índice—xiii
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1041
CAPÍTULO 49. ANÁLISIS FACTORIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1043
Creación de un objeto de factor. . . . . . . . . ....... ....... ...... ....... ....... ....... . .1044
Factores rotativos. . . . . . . ....... ....... ...... ....... ....... ....... ...... . . .1050
Estimación de puntajes. . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . .1051

Vistas de factores. . . . . . . . . . . ...... ....... ...... . ...... ....... ....... ...... . . .1054
Procedimientos factoriales. . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . .1058
Miembros de datos de factores. . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . .1059
Un ejemplo . . . ....... ....... ...... . ...... ....... ....... ...... . ...... . . .1059
Fondo . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . .1074
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1086
ANEXO C. OPCIONES DE ESTIMACIÓN Y SOLUCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1089
Configuración de las opciones de estimación. . . . . . . ...... ....... ....... ....... ...... ....... . . .1089
Algoritmos de optimización. ....... ...... ....... ....... ....... ....... ...... . . .1095
Métodos de solución de ecuaciones no lineales. . . . . . . . . . . ...... ....... . ...... ....... . . .1098

Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1100
APÉNDICE D. GRADIENTES Y DERIVADAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1103

Gradientes . . . . ....... ....... ....... ...... ....... ....... ....... ...... . . .1103
Derivados. . . . ....... ....... ...... . ...... ....... ....... ...... ....... . . .1106
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1110
ANEXO E. CRITERIOS DE INFORMACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1111
Definiciones. . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1111
Uso de los criterios de información como guía para la selección de modelos. . . . . . . . . . . ....... ....... . . .1113
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1113
APÉNDICE F. ESTIMACIÓN DE LA COVARIANZA A LARGO PLAZO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1115

Discusión Técnica. . . . ....... ...... ....... ....... ....... ...... . ...... . . .1115
Propiedades de la función del núcleo. . . . . . . . . . . . . . ...... ....... ....... ....... ...... . . .1125
Referencias . . . ....... ....... ....... ...... ....... ....... ...... . ...... . . .1126
ÍNDICE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1127
xiv—Índice
Prefacio
El primer volumen de la Guía del usuario de EViews describe los conceptos básicos del uso de EViews y
describe una serie de herramientas para el análisis estadístico básico utilizando series y objetos de grupo.
El segundo volumen de la Guía del usuario de EViews ofrece una descripción de las herramientas interactivas de
EViews para el análisis estadístico y econométrico avanzado. El material de la Guía del usuario II se puede dividir en
varias partes:
• La Parte V. “Análisis básico de ecuación única” en la página 3 analiza el uso del objeto de ecuación para
realizar análisis de regresión estándar, mínimos cuadrados ordinarios, mínimos cuadrados ponderados,
mínimos cuadrados no lineales, regresión básica de series de tiempo, pruebas de especificación y pronósticos.
• Parte VI. “Análisis avanzado de ecuación única”, que comienza en la página 241 , documenta los mínimos
cuadrados en dos etapas (TSLS) y el método generalizado de momentos (GMM), los modelos de
heteroscedasticidad condicional autorregresiva (ARCH), las especificaciones de la ecuación de cointegración
de una sola ecuación, los modelos discretos y de variable dependiente limitada. , modelos lineales
generalizados (GLM), mínimos cuadrados robustos, regresión de mínimos cuadrados con puntos de ruptura,
regresión de umbral, regresión de conmutación, regresión de cuantiles y estimación de probabilidad
especificada por el usuario.
• Parte VII. “Análisis univariante avanzado,” en la página 587 describe herramientas avanzadas para el análisis
de series temporales univariante, incluidas las pruebas de raíces unitarias en configuraciones de datos
convencionales y de panel, pruebas de relación de varianza y la prueba BDS para independencia.
• Parte VIII. “Análisis de ecuaciones múltiples” en la página 643 describe la estimación y el pronóstico con
sistemas de ecuaciones (mínimos cuadrados, mínimos cuadrados ponderados, SUR, sistema TSLS, 3SLS,
FIML, GMM, ARCH multivariable), modelos de autorregresión vectorial y de corrección de errores (VAR y
VECs), modelos de espacio de estado y modelo de solución.
• Parte IX. “Panel y datos agrupados” en la página 841 documenta el trabajo y la estimación de modelos con
series de tiempo, datos transversales. El análisis puede involucrar un pequeño número de secciones
transversales, con series para cada variable de sección transversal (datos agrupados) o grandes números de
sistemas de secciones transversales, con datos apilados (panel de datos).
• Parte X. "Análisis multivariante avanzado", que comienza en la página 1021 , describe herramientas para
pruebas de cointegración y para realizar el análisis factorial.
Parte V. Análisis Básico de Ecuaciones Simples
Los siguientes capítulos describen las funciones de EViews para el análisis básico de una sola ecuación y de una sola
serie.
• El Capítulo 19. "Análisis de regresión básico", que comienza en la página 5, describe los conceptos básicos de
Estimación por mínimos cuadrados ordinarios en EViews.
• El Capítulo 20. "Herramientas de regresión adicionales", en la página 23, analiza ecuaciones especiales
términos como PDL y variables ficticias generadas automáticamente, errores estándar robustos, mínimos
cuadrados ponderados y técnicas de estimación de mínimos cuadrados no lineales.
• Capítulo 21. "Variables instrumentales y GMM", en la página 69 describe la estimación de

Mínimos cuadrados de dos etapas (TSLS), Máximo de verosimilitud de información limitada (LIML) y Estimación
de clase K, y Modelos de métodos generalizados de momentos (GMM).
• El Capítulo 22. “Regresión de series de tiempo”, en la página 99, describe una serie de herramientas básicas para
analizar y trabajar con modelos de regresión de series de tiempo: pruebas de correlación serial, estimación de
modelos ARMAX y ARIMAX, y diagnósticos para ecuaciones estimadas usando términos ARMA .
• El Capítulo 23. “Pronósticos a partir de una ecuación”, a partir de la página 147, describe la diversión
Fundamentos del uso de EViews para pronosticar a partir de ecuaciones estimadas.
• El Capítulo 24. "Especificación y pruebas de diagnóstico", a partir de la página 175, describe

pruebas de especificación en EViews.
Los capítulos que describen técnicas avanzadas de ecuación única para heteroscedasticidad condicional autorregresiva y
modelos de variable dependiente discreta y limitada se enumeran en la Parte VI.
“Análisis Avanzado de Ecuaciones Simples”.
La estimación de ecuaciones múltiples se describe en los capítulos enumerados en la Parte VIII. “Análisis de Ecuaciones
Múltiples”.
Parte IX. “Panel y datos agrupados” en la página 841 describe la estimación en configuraciones de datos agrupados y
archivos de trabajo estructurados en panel.
4—Parte V. Análisis básico de ecuación simple

Capítulo 19. Análisis de regresión básico
La regresión de ecuación simple es una de las técnicas estadísticas más versátiles y ampliamente utilizadas.
Aquí, describimos el uso de técnicas básicas de regresión en EViews: especificar y estimar un modelo de regresión,
realizar un análisis de diagnóstico simple y usar los resultados de su estimación en análisis posteriores.
Los capítulos siguientes tratan sobre pruebas y pronósticos, así como técnicas avanzadas y especializadas como
mínimos cuadrados ponderados, mínimos cuadrados no lineales, modelos ARIMA/ARIMAX, mínimos cuadrados en
dos etapas (TSLS), método generalizado de momentos (GMM), modelos GARCH , y modelos cualitativos y de
variable dependiente limitada. Todas estas técnicas y modelos se basan en las ideas básicas presentadas en este
capítulo.
Probablemente le resultará útil tener un libro de texto de econometría como referencia para las técnicas discutidas
en esta documentación y en las siguientes. Los libros de texto estándar que hemos encontrado útiles se enumeran a
continuación (generalmente en orden creciente de dificultad):
• Pindyck y Rubinfeld (1998), Modelos econométricos y pronósticos económicos, 4ª edición.
• Johnston y DiNardo (1997), Métodos econométricos, 4ª edición.
• Wooldridge (2013), Econometría introductoria: un enfoque moderno, 5.ª edición.
• Greene (2008), Análisis Econométrico, 6ª Edición.
• Davidson y MacKinnon (1993), Estimación e Inferencia en Econometría.
Cuando corresponda, también le proporcionaremos referencias especializadas para temas específicos.
Objetos de ecuación
La estimación de regresión de ecuación única en EViews se realiza utilizando el objeto de ecuación. Para crear un
objeto de ecuación en EViews: seleccione Objeto/Nuevo objeto.../Ecuación o Rápido/Estimar ecuación... en el
menú principal, o simplemente escriba la palabra clave ecuación en la ventana de comandos.
A continuación, especificará su ecuación en el cuadro de diálogo Especificación de ecuación que aparece y

seleccionará un método de estimación. A continuación, proporcionamos detalles sobre cómo especificar ecuaciones
en EViews. EViews estimará la ecuación y mostrará los resultados en la ventana de la ecuación.
Los resultados de la estimación se almacenan como parte del objeto de la ecuación para que se pueda acceder a
ellos en cualquier momento. Simplemente abra el objeto para mostrar los resultados resumidos o para acceder a las
herramientas de EViews para trabajar con los resultados de un objeto de ecuación. Por ejemplo, puede recuperar la
suma de cuadrados de cualquier ecuación o puede usar la ecuación estimada como parte de un modelo de
ecuaciones múltiples.
6—Capítulo 19. Análisis de regresión básico
Especificación de una ecuación en EViews
Cuando crea un objeto de ecuación, se muestra un cuadro de diálogo de especificación.
Debe especificar tres cosas en este

cuadro de diálogo: la especificación
de la ecuación, el método de
estimación y la muestra que se
utilizará en la estimación.
En el cuadro de edición superior,

puede especificar la ecuación: las
variables dependientes (lado
izquierdo) e independientes (lado
derecho) y la forma funcional. Hay
dos formas básicas de especificar
una ecuación: "por lista" y "por
fórmula" o "por expresión". El método
de la lista es más fácil, pero solo se
puede usar con especificaciones
lineales sin restricciones; el método
de la fórmula es más general y debe usarse para especificar modelos no lineales o modelos con
restricciones paramétricas.
Especificación de una ecuación por lista
La forma más sencilla de especificar una ecuación lineal es proporcionar una lista de variables que desea
utilizar en la ecuación. Primero, incluya el nombre de la variable o expresión dependiente, seguido de una
lista de variables explicativas. Por ejemplo, para especificar una función de consumo lineal, CS retrocedió
en una constante e INC, escriba lo siguiente en el campo superior del cuadro de diálogo Especificación
de ecuación :
csc inc
Nótese la presencia del nombre de serie C en la lista de regresores. Esta es una serie integrada de
EViews que se usa para especificar una constante en una regresión. EViews no incluye automáticamente
una constante en una regresión, por lo que debe enumerar explícitamente la constante (o su equivalente)
como regresor. La serie interna C no aparece en su archivo de trabajo y no puede usarla fuera de
especificar una ecuación. Si necesita una serie de unos, puede generar una nueva serie o usar el número
1 como una serie automática.
Es posible que haya notado que hay un objeto C predefinido en su archivo de trabajo. Este es el
vector de coeficiente predeterminado: cuando especifica una ecuación enumerando nombres de variables,
EViews almacena los coeficientes estimados en este vector, en el orden de aparición en la lista. En el
Especificación de una ecuación en EViews—7
En el ejemplo anterior, la constante se almacenará en C(1) y el coeficiente de INC se mantendrá en C(2).
Las series retrasadas pueden incluirse en operaciones estadísticas usando la misma notación que se usa para generar
una nueva serie con una fórmula: coloque el retraso entre paréntesis después del nombre de la serie.
Por ejemplo, la especificación:
cs cs(-1) c inc
le dice a EViews que realice una regresión de CS en su propio valor retrasado, una constante e INC. El coeficiente para
CS retrasado se colocará en C(1), el coeficiente para la constante es C(2) y el coeficiente de INC es C( 3).
Puede incluir un rango consecutivo de series retrasadas usando la palabra "a" entre los retrasos. Por ejemplo:
cs c cs(-1 a -4) inc
retrocede CS en una constante, CS (-1), CS (-2), CS (-3), CS (-4) e INC. Si no incluye el primer retraso, se toma como cero.
Por ejemplo:
cs c inc(a -2) inc(-4)
retrocede CS en una constante, INC, INC(-1), INC(-2) e INC(-4).
Puede incluir series automáticas en la lista de variables. Si las expresiones de la serie automática contienen espacios,
deben estar entre paréntesis. Por ejemplo:
log(cs) c log(cs(-1)) ((inc+inc(-1)) / 2)
especifica una regresión del logaritmo natural de CS en una constante, su propio valor retrasado y un promedio móvil de
dos períodos de INC.
Escribir la lista de series puede ser engorroso, especialmente si está trabajando con muchos regresores. Si lo desea,
EViews puede crear la lista de especificaciones por usted. Primero, resalte la variable dependiente en la ventana del
archivo de trabajo haciendo un solo clic en la entrada. A continuación, pulse CTRL y haga clic en cada una de las variables
explicativas para resaltarlas también. Cuando haya terminado de seleccionar todas las variables, haga doble clic en
cualquiera de las series resaltadas y seleccione Abrir/Ecuación…, o haga clic con el botón derecho y seleccione Abrir/
como ecuación.... Debería aparecer el cuadro de diálogo Especificación de ecuación con los nombres introducido en el
campo de especificación. La constante C se incluye automáticamente en esta lista; debe eliminar la C si no desea incluir la
contra
constante
Especificación de una ecuación por fórmula
Deberá especificar su ecuación usando una fórmula cuando el método de la lista no sea lo suficientemente general para su
especificación. Muchos, pero no todos, los métodos de estimación le permiten especificar su ecuación usando una fórmula.
Una fórmula de ecuación en EViews es una expresión matemática que incluye regresores y coeficientes. Para
especificar una ecuación mediante una fórmula, simplemente ingrese la expresión en el cuadro de diálogo en
lugar de la lista de variables. EViews agregará una perturbación aditiva implícita a esta ecuación y estimará los
parámetros del modelo usando mínimos cuadrados.
Cuando especifica una ecuación por lista, EViews la convierte en una fórmula de ecuación equivalente. Por
ejemplo, la lista,
registro (cs) c registro (cs (-1)) registro (inc)
es interpretado por EViews como:
log(cs) = c(1) + c(2)*log(cs(-1)) + c(3)*log(inc)
Las ecuaciones no tienen que tener una variable dependiente seguida de un signo igual y luego una expresión.
El signo “=” puede estar en cualquier parte de la fórmula, como en:
log(urato) - c(1)*dmr = c(2)
Los residuos de esta ecuación vienen dados por:
e ÿ logÿ ÿ urato – cÿ ÿ 1 dmr – cÿ ÿ 2 . (19.1)
EViews minimizará la suma de cuadrados de estos residuos.
Si lo desea, puede especificar una ecuación como una expresión simple, sin una variable dependiente y sin
un signo igual. Si no hay un signo igual, EViews asume que la expresión completa es el término de perturbación.
Por ejemplo, si especifica una ecuación como:
c(1)*x + c(2)*y + 4*z
EViews encontrará los valores de los coeficientes que minimizan la suma de los cuadrados de la expresión
dada, en este caso (C(1)*X+C(2)*Y+4*Z). Si bien EViews estimará una expresión de este tipo, dado que no hay
una variable dependiente, algunas estadísticas de regresión (p. ej. , R-cuadrado) no se informan y la ecuación
no se puede usar para realizar pronósticos. Esta restricción también es válida para cualquier ecuación que
incluya coeficientes a la izquierda del signo igual. Por ejemplo, si especifica:
x + c(1)*y = c(2)*z
EViews encuentra los valores de C(1) y C(2) que minimizan la suma de los cuadrados de (X+C(1)*Y–
C(2)*Z). Los coeficientes estimados serán idénticos a los de una ecuación especificada usando:
x = -c(1)*y + c(2)*z
pero no se informan algunas estadísticas de regresión.
Las dos motivaciones más comunes para especificar su ecuación por fórmula son estimar modelos restringidos
y no lineales. Por ejemplo, suponga que desea restringir los coeficientes de los retrasos en la variable X para
que sumen uno. La resolución de la restricción del coeficiente conduce al siguiente modelo lineal con
restricciones de parámetros:
Estimación de una ecuación en EViews—9
y = c(1) + c(2)*x + c(3)*x(-1) + c(4)*x(-2) + (1-c(2)-c(3)-c (4))

*x(-3)
Para estimar un modelo no lineal, simplemente ingrese la fórmula no lineal. EViews detectará automáticamente
la no linealidad y estimará el modelo utilizando mínimos cuadrados no lineales. Para obtener más información,
consulte “Mínimos cuadrados no lineales” en la página 51.
Una ventaja de especificar una ecuación por fórmula es que puede optar por utilizar un vector de coeficiente
diferente. Para crear un nuevo vector de coeficientes, elija Objeto/Nuevo objeto... y seleccione
Matrix-Vector-Coef en el menú principal, escriba un nombre para el vector de coeficiente y haga clic en Aceptar.
En el cuadro de diálogo Nueva matriz que aparece, seleccione Vector de coeficientes y especifique cuántas filas
debe haber en el vector. El objeto aparecerá en el directorio del archivo de trabajo con el icono del vector de
coeficiente (la pequeña b ).
Luego puede usar este vector de coeficientes en su especificación. Por ejemplo, suponga que creó los vectores de
coeficientes A y BETA, cada uno con una sola fila. Luego puede especificar su ecuación usando los nuevos
coeficientes en lugar de C:
log(cs) = a(1) + beta(1)*log(cs(-1))
Estimación de una ecuación en EViews

Métodos de estimación
Habiendo especificado su ecuación, ahora necesita elegir un método de estimación. Haga clic en la entrada
Método: en el cuadro de diálogo y verá un menú desplegable que enumera los métodos de estimación.
La regresión estándar de una sola ecuación se realiza

usando mínimos cuadrados. Los otros métodos se
describen en capítulos posteriores.
Las ecuaciones estimadas mediante regresión de

cointegración, GLM o paso a paso, o ecuaciones que
incluyen términos MA, solo pueden especificarse
mediante una lista y no pueden especificarse mediante
una expresión. Todos los demás tipos de ecuaciones
(entre otros, mínimos cuadrados ordinarios y mínimos
cuadrados en dos etapas, ecuaciones con términos AR,
GMM y ecuaciones ARCH) pueden especificarse mediante una lista o expresión. Tenga en cuenta que algunas
ecuaciones, como la regresión de cuantiles, pueden especificarse mediante expresión, pero solo se permiten
especificaciones lineales.
Muestra de estimación
También debe especificar la muestra que se utilizará en la estimación. EViews completará el cuadro de diálogo
con la muestra del archivo de trabajo actual, pero puede cambiar la muestra con fines de estimación
ingresando su cadena de muestra u objeto en el cuadro de edición (consulte “Muestras” en la página 136 de la
Guía del usuario I para obtener más detalles). Cambiar la muestra de estimación no afecta la muestra del archivo de
trabajo actual.
Si alguna de las series utilizadas en la estimación contiene datos faltantes, EViews ajustará temporalmente la
muestra de estimación de observaciones para excluir esas observaciones (exclusión por lista).
EViews le notifica que ha ajustado la muestra informando la muestra real utilizada en los resultados de la estimación:
Variable dependiente: Y
Método: mínimos cuadrados
Fecha: 08/08/09 Hora: 14:44
Muestra (ajustada): 1959M01 1989M12
Observaciones incluidas: 340 después de ajustes
Aquí vemos la parte superior de una vista de salida de ecuación. EViews informa que ha ajustado la muestra. De las
372 observaciones en el período 1959M01–1989M12, EViews utiliza las 340 observaciones con datos válidos para
todas las variables relevantes.
Debe tener en cuenta que si incluye variables rezagadas en una regresión, el grado de ajuste de la muestra diferirá
dependiendo de si los datos para el período previo a la muestra están disponibles o no. Por ejemplo, suponga que
tiene datos que no faltan para las dos series M1 e IP durante el período 1959M01–1989M12 y especifique la regresión
como:
m1 c ip ip(-1) ip(-2) ip(-3)
Si configura la muestra de estimación para el período 1959M01–1989M12, EViews ajusta la muestra a:
Variable dependiente: M1
Fecha: 08/08/09 Hora: 14:45
Muestra: 1960M01 1989M12
Observaciones incluidas: 360
ya que los datos para IP(–3) no están disponibles hasta 1959M04. Sin embargo, si configura la muestra de
estimación para el período 1960M01–1989M12, EViews no realizará ningún ajuste a la muestra ya que todos los
valores de IP(-3) están disponibles durante la muestra de estimación.
Algunas operaciones, sobre todo la estimación con términos MA y ARCH, no permiten que falten observaciones en
medio de la muestra. Al ejecutar estos procedimientos, se muestra un mensaje de error y la ejecución se detiene si
se encuentra un NA en medio de la muestra. EViews maneja los datos que faltan al principio o al final del rango de
la muestra ajustando los puntos finales de la muestra y procediendo con el procedimiento de estimación.
Opciones de estimación
EViews proporciona una serie de opciones de estimación. Estas opciones le permiten ponderar la ecuación de
estimación, calcular covarianzas robustas de heteroscedasticidad y autocorrelación,
Salida de ecuación—11
y para controlar varias características de su algoritmo de estimación. Estas opciones se analizan en

detalle en “Opciones de estimación” en la página 54.
Salida de ecuación
Cuando hace clic en Aceptar en el cuadro de diálogo Especificación de ecuación , EViews muestra la ventana
de ecuación que muestra la vista de salida de la estimación (los ejemplos de este capítulo se obtienen utilizando
el archivo de trabajo “Basics.WF1”):
Variable dependiente: LOG(M1)

Fecha: 08/08/09 Hora: 14:51
Muestra: 1959M01 1989M12
Variable Coeficiente Estándar Error t-estadística problema
C -1.699912 0.164954 -10.30539 40.55199 0.0000
REGISTRO (IP) 1.765866 0.043546 -0.011895 0.0000

TB3 0.004628 -2.570016 0.0106
R-cuadrado 0,886416 Media var dependiente 0,885800 5.663717
R-cuadrado ajustado SE SD var dependiente 0,187183 Criterio de 0.553903

de regresión Suma información de Akaike -0.505429
cuadrada resid Logaritmo 12.92882 Criterio de Schwarz -0.473825

de probabilidad Estadístico 97.00979 Criterio de Hannan-Quinn. -0.492878
F Prob(estadístico F) 1439.848 Durbin-W atson stat 0.008687
0.000000
Usando notación matricial, la regresión estándar se puede escribir como:
y X ÿ ser ÿ (19.2)
y T donde
es un vector -dimensional que contiene observaciones sobre la variable dependiente, X
T k ÿ matriz de variables independientes, b es un -vectork de coeficientes, y is a es un T -vector
de perturbaciones. y
T kes el número de observaciones y es el número de regresores

del lado derecho.
X
En el resultado anterior, es log(M1), consta de tres variables C, log(IP) y TB3, donde y
T ÿ 372 k ÿ 3y .
Resultados del coeficiente
Coeficientes de regresión
La columna denominada "Coeficiente" muestra los coeficientes estimados. Los coeficientes de

b
regresión de mínimos cuadrados se calculan mediante la fórmula OLS estándar:
–1
b Xÿ ÿ ÿX
ÿ
Xÿy (19.3)
Si su ecuación se especifica por lista, los coeficientes se etiquetarán en la columna "Variable" con el nombre del regresor
correspondiente; si su ecuación se especifica mediante una fórmula, EViews enumera los coeficientes reales, C(1), C(2),
etc.
Para los modelos lineales simples considerados aquí, el coeficiente mide la contribución marginal de la variable
independiente a la variable dependiente, manteniendo fijas todas las demás variables. Si ha incluido "C" en su lista de
regresores, el coeficiente correspondiente es la constante o el intercepto en la regresión: es el nivel base de la predicción
cuando todas las demás variables independientes son cero. Los otros coeficientes se interpretan como la pendiente de la
relación entre la variable independiente correspondiente y la variable dependiente, asumiendo que todas las demás
variables no cambian.
Errores estándar
El “Std. La columna Error” informa los errores estándar estimados de las estimaciones del coeficiente.
Los errores estándar miden la confiabilidad estadística de las estimaciones de los coeficientes: cuanto mayores son los
errores estándar, más ruido estadístico hay en las estimaciones. Si los errores se distribuyen normalmente, hay alrededor
de 2 posibilidades en 3 de que el verdadero coeficiente de regresión se encuentre dentro de un error estándar del
coeficiente informado, y 95 de 100 posibilidades de que se encuentre dentro de dos errores estándar.
La matriz de covarianza de los coeficientes estimados se calcula como:

2 –1 2
ÿ segundos
(19.4)
donde esta el residuo. Los errores estándar de los coeficientes estimados son las raíces cuadradas de los elementos
diagonales de la matriz de covarianza de los coeficientes. Puede ver toda la matriz de covarianza seleccionando Ver/
Matriz de covarianza.
Estadísticas t
La estadística t, que se calcula como la relación entre un coeficiente estimado y su error estándar, se utiliza para
probar la hipótesis de que un coeficiente es igual a cero. Para interpretar el estadístico t, debe examinar la probabilidad
de observar el estadístico t dado que el coeficiente es igual a cero. Este cálculo de probabilidad se describe a continuación.
En los casos en que la normalidad solo puede mantenerse asintóticamente, EViews a menudo informará una estadística
z en lugar de una estadística t.
Probabilidad
La última columna de la salida muestra la probabilidad de obtener un estadístico t (o un estadístico z) tan extremo como
el observado realmente, bajo el supuesto de que los errores se distribuyen normalmente o que los coeficientes estimados
se distribuyen asintóticamente normalmente.
Esta probabilidad también se conoce como valor p o nivel de significación marginal. Dado un valor de p , puede saber
de un vistazo si rechaza o acepta la hipótesis de que el verdadero coeficiente
es cero contra una alternativa de dos colas que difiere de cero. Por ejemplo, si está realizando la prueba con
un nivel de significancia del 5 %, un valor de p inferior a 0,05 se toma como evidencia para rechazar la hipótesis
nula de un coeficiente cero. Si desea realizar una prueba unilateral, la probabilidad adecuada es la mitad de la
informada por EViews.
Para el resultado del ejemplo anterior, la hipótesis de que el coeficiente de TB3 es cero se rechaza al nivel de
significación del 5 %, pero no al nivel del 1 %. Sin embargo, si la teoría sugiere que el coeficiente de TB3 no
puede ser positivo, entonces una prueba unilateral rechazará la hipótesis cero nula al nivel del 1%.
Los valores p para las estadísticas t se calculan a partir de una distribución t con T k – grados de
libertad. El valor p para las estadísticas z se calcula utilizando la distribución normal estándar.
Resumen estadístico
R-cuadrado
R2
El estadístico R-cuadrado ( ) mide el éxito de la regresión en la predicción de los valores R2
de la variable dependiente dentro de la muestra. En entornos estándar, puede interpretarse como la fracción
de la varianza de la variable dependiente explicada por las variables independientes. La estadística será igual
a uno si la regresión se ajusta perfectamente, y cero si no se ajusta mejor que la media simple de la variable
dependiente. Puede ser negativo por varias razones.
Por ejemplo, si la regresión no tiene un intercepto o una constante, si la regresión contiene restricciones de
coeficientes, o si el método de estimación es mínimos cuadrados en dos etapas o ARCH.
EViews calcula el (centrado) R2 como:
T
eˆÿeˆ
R2 1 ÿ
– ------------------------------------ÿ ÿ ÿ ÿ T yt
(19.5)
y ÿ ÿÿ yy – ÿ ÿ yy –
t=1
donde esy la media de la variable dependiente (izquierda).
R-cuadrado ajustado
Un problema con el uso como R2 R2 de bondad de ajuste es que disminuye a

medida Nunca
R2
medida que se agregan más regresores. En el caso extremo, siempre puede obtener una de uno si incluye
tantos regresores independientes como observaciones muestrales.
R2 R2 denotado como, penaliza

El ajustado, comúnmente R2el por la adición de regresores que no contribuyen al poder
explicativo del modelo. El ajustado se calcula como: R2
T -1
R2 1 ÿ-
1 R2
ÿ –ÿ ------------- (19.6)
Tk-
R2 R2
El nunca es más grande que los , puede disminuir a medida que agrega regresores, y para mal ajuste
modelos ting, puede ser negativo.
Error estándar de la regresión (SE de regresión)
El error estándar de la regresión es una medida de resumen basada en la varianza estimada de los residuos. El error
estándar de la regresión se calcula como:
eˆÿeˆ
s ÿ ------------------
(19.7)
ÿ ÿTk–
Residuales de suma de cuadrados
Los residuales de la suma de cuadrados se pueden usar en una variedad de cálculos estadísticos y se presentan
por separado para su conveniencia:
T
2
eˆÿeˆ
yi Xiÿb
ÿ –ÿ (19.8)
ÿÿ
t=1
Probabilidad de registro
EViews informa el valor de la función de probabilidad logarítmica (suponiendo errores distribuidos normalmente)
evaluados en los valores estimados de los coeficientes. Las pruebas de razón de verosimilitud se pueden realizar
observando la diferencia entre los valores logarítmicos de verosimilitud de las versiones restringida y no restringida
de una ecuación.
La probabilidad logarítmica se calcula como:

T
l ÿ –---ÿ 1 ÿ ÿ
2 logÿ ÿ p logÿ eˆÿeˆ ÿ T ÿÿ (19.9)
2
Al comparar la salida de EViews con la informada por otras fuentes, tenga en cuenta que EViews no ignora los
términos constantes en la probabilidad de registro.
Estadística de Durbin-Watson
La estadística de Durbin-Watson mide la correlación serial en los residuos. la estadistica es
calculado como
T T
2
DW ÿ
eˆt (19.10)
ÿ eˆt eˆ - t -1 ÿ2 ÿ ÿ
t=2 t=1
Ver Johnston y DiNardo (1997, Tabla D.5) para una tabla de los puntos significativos de la distribución de la estadística
de Durbin-Watson.
Como regla general, si el DW es menor que 2, existe evidencia de correlación serial positiva.
El estadístico DW de nuestra salida está muy cerca de uno, lo que indica la presencia de una correlación serial en los
residuos. Vea “Antecedentes”, a partir de la página 99, para una discusión más extensa de la estadística de Durbin-
Watson y las consecuencias de los residuales correlacionados en serie.
Salida de ecuación: 15
Hay mejores pruebas para la correlación serial. En “Pruebas de correlación serial” en la página 107, analizamos
la estadística Q y la prueba LM de Breusch-Godfrey, las cuales brindan un marco de prueba más general que la
prueba de Durbin-Watson.
Media y Desviación Estándar (DE) de la Variable Dependiente
La media y la desviación estándar de se calculan

y utilizando las fórmulas estándar:
T T
2
ÿ
ÿÿ-y ÿÿÿT–1 (19.11)
y ÿ ÿ Tyty ÿ ÿ ÿ
t=1 t=1
Criterio de información de Akaike
El criterio de información de Akaike (AIC) se calcula como:
AIC 2 ÿ – l Tÿ ÿ 2k Tÿ (19.12)
donde es la verosimilitud logarítmica (dada por la ecuación (19.9) en la página 14).

yo
El AIC se usa a menudo en la selección de modelos para alternativas no anidadas: valores más pequeños de la
Se prefieren los AIC. Por ejemplo, puede elegir la longitud de una distribución de retardo eligiendo la
especificación con el valor más bajo de AIC. Consulte el Apéndice E. “Criterios de información”, en la página
1111, para una discusión adicional.
Criterio de Schwarz
El Criterio de Schwarz (SC) es una alternativa al AIC que impone una penalización mayor por coeficientes
adicionales:
CAROLINA DEL SUR

2 ÿ – l Tÿ ÿ ÿ ÿ k T log ÿ T (19.13)
Criterio de Hannan-Quinn
El Criterio de Hannan-Quinn (HQ) emplea otra función de penalización:
HQ 2 ÿ – ÿ ÿ l Tÿ
2kÿ T logÿÿ ÿÿ logÿ
T (19.14)
Estadística F
La estadística F informada en el resultado de la regresión proviene de una prueba de la hipótesis de que todos
los coeficientes de pendiente (excluyendo la constante o el intercepto) en una regresión son cero. Para los
modelos de mínimos cuadrados ordinarios, el estadístico F se calcula como:
F R2 . . k -1
ÿ --------------------------------------------
ÿ
(19.15)
1 R2
–ÿÿÿTk–
Bajo la hipótesis nula con errores normalmente distribuidos, este estadístico tiene una F-distribu T k –
ción con denominador
k -1 grados
grados
de de
libertad
libertad.
del numerador y
El valor p dado justo debajo de la estadística F, denotado Prob (estadística F), es el nivel de significancia
marginal de la prueba F. Si el valor p es menor que el nivel de significancia que está probando, digamos 0.05,
rechaza la hipótesis nula de que todos los coeficientes de pendiente son iguales a cero. Para el ejemplo anterior,
el valor p es esencialmente cero, por lo que rechazamos la hipótesis nula de que todos los coeficientes de regresión
son cero. Tenga en cuenta que la prueba F es una prueba conjunta, por lo que incluso si todas las estadísticas t
son insignificantes, la estadística F puede ser muy significativa.
Tenga en cuenta que dado que el estadístico F depende solo de los residuos de sumas de cuadrados de la
ecuación estimada, no es resistente a la heterogeneidad o correlación serial. El uso de estimadores robustos de
las covarianzas de los coeficientes (“Errores estándar robustos” en la página 32) no tendrá efecto en el estadístico
F. Si elige emplear estimadores de covarianza robustos, EViews también informará una estadística de prueba de
Wald robusta y un valor p para la hipótesis de que todos los coeficientes que no son de intersección son iguales a
cero.
Trabajar con estadísticas de ecuaciones
Las estadísticas de regresión informadas en la vista de salida de la estimación se almacenan con la ecuación.
Se puede acceder a estos miembros de datos de la ecuación a través de "funciones @" especiales. Puede
recuperar cualquiera de estas estadísticas para un análisis más detallado mediante el uso de estas funciones en
expresiones genr, escalares o matriciales. Si una estadística en particular no se calcula para un método de
estimación dado, la función devolverá un NA.
Hay tres tipos de "funciones @": las que devuelven un valor escalar, las que devuelven matrices o vectores y las
que devuelven cadenas.
Palabras clave seleccionadas que devuelven valores escalares
@aic Criterio de información de Akaike
@coefcov(i,j) i yj
covarianza de las estimaciones de los coeficientes
@coefs(yo) valor del i-ésimo coeficiente
@dw Estadística de Durbin-Watson
@F estadística F
@fprob Probabilidad estadística F.
@hq Criterio de información de Hannan-Quinn
@jstat Estadística J: valor de la función objetivo GMM (para

GMM)
@logl valor de la función de verosimilitud logarítmica
@meandep media de la variable dependiente
@ncoef número de coeficientes estimados
@r2 Estadística R-cuadrado
@rbar2 estadístico R cuadrado ajustado

@rlogl log-verosimilitud restringida (solo constante).
@regobs número de observaciones en la regresión
@negro Criterio de información de Schwarz
@sddep desviación estándar de la variable dependiente
@se error estándar de la regresión
@ssr suma de residuos al cuadrado
@stderrs(yo) error estándar para el coeficiente i
@tstats(yo) valor estadístico t para el coeficiente i

c(yo) i-ésimo elemento del vector de coeficiente predeterminado para la ecuación
(si corresponde)
Palabras clave seleccionadas que devuelven objetos vectoriales o de matriz
@coefcov matriz que contiene la matriz de covarianza del coeficiente
@coefs vector de valores de coeficiente
@stderrs vector de errores estándar para los coeficientes
@tstats vector de valores estadísticos t para coeficientes
@pvals vector de valores p para coeficientes
Palabras clave seleccionadas que devuelven cadenas
@dominio forma de línea de comando completa del comando de estimación
@smpl descripción de la muestra utilizada para la estimación
@tiempo de actualizacion representación de cadena de la hora y la fecha en que se estimó la

ecuación
Consulte también "Ecuación" (p. 33) en la Referencia de objetos para obtener una lista completa.
Las funciones que devuelven un objeto vectorial o matricial deben asignarse al tipo de objeto correspondiente. Por
ejemplo, debe asignar los resultados de @tstats a un vector:
vector tstats = eq1.@tstats
y la matriz de covarianza a una matriz:
matriz mycov = eq1.@cov
También puede acceder a elementos individuales de estas estadísticas:
valor p escalar = 1-@cnorm(@abs(eq1.@tstats(4)))

escalar var1 = eq1.@covariance(1,1)
Para obtener documentación sobre el uso de vectores y matrices en EViews, consulte el Capítulo 11. “Lenguaje de matrices”,
en la página 261 de la Referencia de comandos y programación.
Trabajar con ecuaciones

La siguiente descripción describe vistas y procedimientos comunes que están disponibles para una ecuación
estimada. Es posible que los estimadores especializados solo admitan un subconjunto de estas vistas y
procesos, mientras que quizás ofrezcan otros.
Vistas de una ecuación

• Representaciones. Muestra la ecuación en tres formas básicas: forma de comando EViews que muestra
el comando asociado con la ecuación, como una ecuación algebraica con coeficientes simbólicos y
como una ecuación con una representación de texto de los valores estimados de los coeficientes.
Puede cortar y pegar

desde la vista de
representaciones en cualquier
aplicación que admita el
portapapeles de Windows.
• Salida de estimación. Dis

reproduce los resultados de salida de
la ecuación descritos anteriormente.
• Real, Ajustado, Residual.

Estas vistas muestran los
valores reales y ajustados de
la variable dependiente y los residuos de la regresión en forma tabular y gráfica. La tabla real, ajustada
y residual muestra estos valores en forma de tabla.
Tenga en cuenta que el valor

real siempre es la suma del
valor ajustado y el residual. El
gráfico real, ajustado y residual
muestra un gráfico EViews
estándar de los valores reales,
los valores ajustados y los
residuales, junto con líneas de
puntos que muestran más y
menos un error estándar
estimado. Gráfico de residuos
traza solo los residuos, mientras que el gráfico de residuos estandarizados traza los residuos
divididos por la desviación estándar residual estimada.
Trabajar con ecuaciones—19
• Estructura ARMA.... Proporciona vistas que describen la estructura ARMA estimada de

tus residuos. Los detalles sobre estas vistas se proporcionan en “Estructura ARMA” en la página 128.
• Gradientes y Derivadas. Proporciona vistas que describen los gradientes de la función objetivo y la
información sobre el cálculo de cualquier derivada de la función de regresión. Los detalles sobre estas
vistas se proporcionan en el Apéndice D. "Gradientes y derivados", en la página 1103.
• Matriz de Covarianza. Muestra la matriz de covarianza de las estimaciones de coeficientes como una
vista de hoja de cálculo. Para guardar esta matriz de covarianza como un objeto de matriz, use el
miembro @coef cov de la ecuación, como en
sym mycov = eq1.@coefcov
• Diagnósticos de Coeficiente, Diagnósticos Residuales y Diagnósticos de Estabilidad. Estas son

vistas para pruebas de especificación y diagnóstico y se describen en detalle en el Capítulo 24.
“Especificación y pruebas de diagnóstico”, a partir de la página 175.
Procedimientos de una ecuación

• Especificar/Estimar…. Muestra el cuadro de diálogo Especificación de ecuación para que pueda
modificar su especificación. Puede editar la especificación de la ecuación o cambiar el método de
estimación o la muestra de estimación.
• Pronóstico…. Pronostica o ajusta valores utilizando la ecuación estimada. El pronóstico mediante

ecuaciones se analiza en el Capítulo 23. “Pronóstico a partir de una ecuación”, en la página 147.
• Hacer Serie Residual…. Guarda los residuos de la regresión como una serie en el
archivo de trabajo Según el método de estimación, puede elegir entre tres tipos de residuos: ordinarios,
estandarizados y generalizados. Para los mínimos cuadrados ordinarios, solo se pueden guardar los
residuos ordinarios.
• Hacer grupo de regresores. Crea un grupo sin título compuesto por todas las variables utilizadas
en la ecuación (con la excepción de la constante).
• Hacer grupo de degradado. Crea un grupo que contiene los gradientes de la función objetivo.
ción con respecto a los coeficientes del modelo.
• Hacer Grupo Derivado. Crea un grupo que contiene las derivadas de la regresión.
función con respecto a los coeficientes en la función de regresión.
• Hacer modelo. Crea un modelo sin título que contiene un enlace a la ecuación estimada si se trata de una
ecuación con nombre o la representación de coeficientes sustituidos de una ecuación sin título. Este
modelo se puede resolver de la manera habitual. Consulte el Capítulo 42. “Modelos”, en la página 781
para obtener información sobre cómo utilizar modelos para pronósticos y simulaciones.
• Actualizar Coefs de Ecuación. Coloca los coeficientes estimados de la ecuación en el vector de

coeficientes. Puede usar este procedimiento para inicializar valores iniciales para varios procedimientos
de estimación.
Residuos de una ecuación
Los residuos de la ecuación predeterminada se almacenan en un objeto de serie llamado RESID. RESID puede usarse
directamente como si fuera una serie regular, excepto en la estimación.
RESID se sobrescribirá cada vez que estime una ecuación y contendrá los residuos de la última ecuación estimada. Para guardar
los residuos de una ecuación en particular para un análisis posterior, debe guardarlos en una serie diferente para que no se
sobrescriban con el siguiente comando de estimación. Por ejemplo, puede copiar los residuos en una serie regular de EViews
llamada RES1 usando el comando:
serie res1 = residir
Existe un enfoque aún mejor para guardar los residuos. Incluso si ya ha sobrescrito la serie RESID, siempre puede crear la serie
deseada utilizando los procedimientos integrados de EViews si todavía tiene el objeto de ecuación. Si su ecuación se llama EQ1,
abra la ventana de la ecuación y seleccione Proc/Make Residual Series..., o ingrese:
eq1.makeresid res1
para crear la serie deseada.
Almacenamiento y recuperación de una ecuación
Al igual que con otros objetos, las ecuaciones se pueden almacenar en el disco en un banco de datos o archivos de bases de
datos. También puede obtener ecuaciones de estos archivos.
Las ecuaciones también se pueden copiar y pegar en o desde archivos de trabajo o bases de datos.
EViews incluso le permite acceder a ecuaciones directamente desde sus bases de datos u otro archivo de trabajo. Puede estimar
una ecuación, almacenarla en una base de datos y luego usarla para pronosticar en varios archivos de trabajo.
Consulte el Capítulo 4. “Conceptos básicos de objetos”, a partir de la página 101 y el Capítulo 10. “Bases de datos de EViews”, a
partir de la página 317, ambos en la Guía del usuario I, para obtener información adicional sobre objetos, bases de datos y
contenedores de objetos.
Uso de coeficientes estimados
Los coeficientes de una ecuación se enumeran en la vista de representaciones. De manera predeterminada, EViews usará el vector
de coeficientes C cuando especifique una ecuación, pero puede usar explícitamente otros vectores de coeficientes al definir su
ecuación.
Estos coeficientes almacenados pueden usarse como escalares en la generación de datos. Si bien existen formas más sencillas
de generar valores ajustados (consulte “Pronósticos a partir de una ecuación” en la página 147), con fines ilustrativos, tenga en
cuenta que podemos usar los coeficientes para formar los valores ajustados a partir de una ecuación. El comando:
serie cshat = eq1.c(1) + eq1.c(2)*pib

Trabajar con ecuaciones—21
forma el valor ajustado de CS, CSHAT, a partir de los coeficientes de regresión OLS y las variables independientes
del objeto de ecuación EQ1.
Tenga en cuenta que aunque EViews aceptará una ecuación generadora de series que no se refiera
explícitamente a una ecuación con nombre:
serie cshat = c(1) + c(2)*PIB
y usará los valores existentes en el vector de coeficientes C, le recomendamos enfáticamente que siempre use
ecuaciones con nombre para identificar los coeficientes apropiados. En general, C contendrá los valores correctos
de los coeficientes solo inmediatamente después de la estimación o actualización de los coeficientes. El uso de
una ecuación con nombre o la selección de Proc/Update Coefs from Equation garantiza que está utilizando los
valores correctos de los coeficientes.
Una alternativa a hacer referencia al vector de coeficientes es hacer referencia a los elementos @coefs de su
ecuación (consulte “Palabras clave seleccionadas que devuelven valores escalares” en la página 16). Por ejemplo,
los ejemplos anteriores se pueden escribir como:
serie cshat=eq1.@coefs(1)+eq1.@coefs(2)*pib
EViews asigna un índice a cada coeficiente en el orden en que aparecen en la vista de representaciones. Así, si
estimas la ecuación:
ecuación eq01.ls y=c(10)+b(5)*y(-1)+a(7)*inc
donde B y A también son vectores de coeficientes, entonces:
• eq01.@coefs(1) contiene C(10)
• eq01.@coefs(2) contiene B(5)
• eq01.@coefs(3) contiene A(7)
Este método debería resultar útil para hacer coincidir los coeficientes con los errores estándar derivados de los
elementos @stderrs de la ecuación (consulte "Miembros de datos de la ecuación" en la página 37 de la
Referencia de objetos). Los elementos @coefs le permiten referirse tanto a los coeficientes como a los errores
estándar utilizando un índice común.
Si ha utilizado un vector de coeficientes con nombre alternativo al especificar su ecuación, también puede
acceder directamente al vector de coeficientes. Por ejemplo, si ha utilizado un vector de coeficientes denominado
BETA, puede generar los valores ajustados emitiendo los comandos:
ecuación eq02.ls cs = beta(1) + beta(2)*pib

serie cshat = beta(1) + beta(2)*PIB
donde BETA es un vector de coeficientes. De nuevo, sin embargo, le recomendamos que utilice @coefs
elementos para referirse a los coeficientes de EQ02. Alternativamente, puede actualizar los coeficientes en BETA
antes de usarlos seleccionando Proc/Update Coefs from Equation en la ventana de ecuaciones. Tenga en cuenta
que EViews no le permite referirse a los coeficientes de ecuación nombrados
EQ02.BETA(1) y EQ02.BETA(2). En su lugar, debe utilizar las expresiones EQ02.@COEFS(1) y EQ02.@COEFS(2).
Problemas de estimación
Colinealidad exacta
Si los regresores son muy colineales, EViews puede tener dificultades para calcular las estimaciones de regresión. En
tales casos, EViews emitirá un mensaje de error "Cerca de matriz singular". Cuando recibe este mensaje de error, debe
verificar si los regresores son exactamente colineales. Los regresores son exactamente colineales si un regresor se
puede escribir como una combinación lineal de los otros regresores. Bajo colinealidad exacta, la matriz regresora X
no tiene rango de columna completo y el estimador OLS no se puede calcular.
Debe tener cuidado con la colinealidad exacta cuando utilice variables ficticias en su regresión. Un conjunto de
variables ficticias mutuamente excluyentes y el término constante son exactamente colineales. Por ejemplo, suponga
que tiene datos trimestrales e intenta ejecutar una regresión con la especificación:
ycx @mares(1) @mares(2) @mares(3) @mares(4)
EViews devolverá un mensaje de error de "Matriz casi singular" ya que la constante y las cuatro variables ficticias
trimestrales son exactamente colineales a través de la relación:
c = @mares(1) + @mares(2) + @mares(3) + @mares(4)
En este caso, simplemente elimine el término constante o una de las variables ficticias.
Los libros de texto enumerados anteriormente brindan una discusión extensa sobre el tema de la colinealidad.
Referencias
Davidson, Russell y James G. MacKinnon (1993). Estimación e Inferencia en Econometría, Oxford:

Prensa de la Universidad de Oxford.
Greene, William H. (2008). Análisis econométrico, 6.ª edición, Upper Saddle River, NJ: Prentice-Hall.
Johnston, Jack y John Enrico DiNardo (1997). Métodos econométricos, 4.ª edición, Nueva York: McGraw
Colina.
Pindyck, Robert S. y Daniel L. Rubinfeld (1998). Modelos Econométricos y Pronósticos Económicos, 4ta ed .
ción, Nueva York: McGraw-Hill.
Wooldridge, Jeffrey M. (2013). Econometría introductoria: un enfoque moderno. Mason, OH: suroeste
ern – Cengage Learning.
Capítulo 20. Herramientas de regresión adicionales
Este capítulo describe herramientas adicionales que se pueden usar para mejorar las técnicas descritas
en el Capítulo 19. “Análisis de regresión básico”, a partir de la página 5.
• Esta primera parte de este capítulo describe expresiones especiales de EViews que pueden
se utiliza para especificar y estimar modelos con retrasos distribuidos polinómicos (PDL) o variables ficticias.
• En la segunda sección, describimos métodos para heteroscedasticidad consistente, het

eroscedasticidad y autocorrelación consistentes, y estimación de covarianza robusta de clúster
ción
• A continuación, describimos la estimación de mínimos cuadrados ponderados y mínimos cuadrados no lineales.
• Por último, documentamos herramientas para realizar la selección de variables mediante regresión por pasos.
Tenga en cuenta que partes de este capítulo se refieren a la estimación de modelos que tienen términos de error
autorregresivos (AR) y promedio móvil (MA). Estos conceptos se analizan con mayor profundidad en el Capítulo
22. “Regresión de series de tiempo”, en la página 99.
Expresiones de ecuaciones especiales
EViews le proporciona expresiones especiales que pueden usarse para especificar y estimar ecuaciones con
PDL, variables ficticias o errores ARMA. Consideramos aquí términos para incorporar PDL y variables ficticias en
su ecuación, y remitimos la discusión de la estimación ARMA a “Regresión de series de tiempo” en la página 99.
Retrasos polinómicos distribuidos (PDL)

Un retraso distribuido es una relación del tipo:
yt
ÿ
wtd ÿb0xt b1xt
ÿ ÿÿ ÿ – 1 ÿ bkxt k – y
t (20.1)
b el retraso en el efecto de on .
Los coeficientes describen X En muchos casos, los coeficientes y
se puede estimar directamente utilizando esta especificación. En otros casos, la alta colinealidad de los valores
actuales y rezagados de frustraráXla estimación directa.
Puede reducir el número de parámetros a estimar mediante el uso de retrasos polinómicos distribuidos (PDL)
para imponer una condición de suavidad en los coeficientes de retraso. La suavidad se expresa requiriendo que
los coeficientes se encuentren en un polinomio de grado relativamente bajo. Un modelo polinomial de rezagos
distribuidos con orden restringe los coeficientes para queforma, b polinomio de orden -ésimo p de la
se encuentren en un pags
2 pags
ÿÿ ÿ ÿÿg3ÿ ÿ (20.2)
bj g1 g2ÿ ÿ jc – jc – ÿ gp ÿ 1ÿ ÿ jc –
para j ÿ 1 2,, ,ÿ
k, donde esCuna constante preespecificada dada por:
24—Capítulo 20. Herramientas de regresión adicionales
ÿÿÿkÿ2ÿ si k es par
C ÿ
(20.3)
ÿ ÿ ÿÿ k2–si1k es impar
El PDL a veces se denomina retraso de Almon. La constante se incluye Csolo para evitar b
problemas numéricos que pueden surgir de la colinealidad y no afecta las estimaciones de .
k de usar solo
Esta especificación le permite estimar un modelo con retrasos X parámetros (si elige pags
EViews devolverá ÿ,
un error
paquete de "Matriz casi singular").
Si especifica una PDL, EViews sustituye la Ecuación (20.2) en (20.1), dando como resultado,
yt
ÿ
ÿ ÿ ÿÿ ÿ e t
wtd g1z1 g2z2 ÿ gp ÿ 1zp ÿ 1 (20.4)
dónde:
z1 xt xt – 1 x tk – _
cxt- _ ÿ ÿ cÿ xt ÿÿ – x
1 – 1 ÿ ÿ ÿ kc
ÿ
z2 tk- _
(20.5)
ÿ
pags pags pags

ÿ
ÿ ÿ –c xt ÿÿ 1 – c ÿ xt – 1 ÿÿÿÿ ÿ kc – x tk -
zp ÿ 1
Una vez que estimamos a partir de la Ecuación (20.4), podemos recuperar los parámetros
gramo b ,y
de interés con sus errores estándar usando la relación descrita en la Ecuación (20.2). Este
procedimiento es b sencillo ya que es una transformación lineal de . gramo
La especificación de un rezago polinomial distribuido tiene tres elementos: la longitud del rezago, elk
grado del polinomio (la potencia más alta en el polinomio) y las restricciones p
que desea aplicar. Una restricción de extremo cercano restringe el efecto de adelanto de un período
de en xy
ser cero:
–1–cÿ 0 .
pags
b–1 g1 g2ÿ ÿÿ ÿ– 1 – c
ÿ
ÿÿ
po ÿ 1ÿ
ÿ
(20.6)
Una restricción de extremo lejano restringe el efectoX de onypara morir más allá del número de retrasos
especificados:
kÿ1–cÿ 0 .
pags
negro ÿ 1
ÿ
ÿ
g1 g2ÿ ÿÿ k ÿ 1 – c ÿÿ
po ÿ 1ÿ
ÿ
(20.7)
Si restringe el extremo cercano o lejano del retraso, la cantidad de parámetros estimados se reduce gramo
en uno para tener en cuenta la restricción; si restringe tanto el extremo cercano como el lejano del
retraso, la cantidad de parámetros se reduce en dos.
gramo
Por defecto, EViews no impone restricciones.
Cómo estimar modelos que contienen PDL

Especifique un retraso polinomial distribuido por el término pdl , con la siguiente información entre
paréntesis, cada uno separado por una coma en este orden:
Expresiones de ecuaciones especiales: 25
• El nombre de la serie.
• La longitud del rezago (el número de valores rezagados de la serie a incluir).
• El grado del polinomio.
• Un código numérico para restringir el polinomio de retraso (opcional):
1 restringir el final cercano del retraso a cero.

2 restringir el extremo lejano.
3 restringir ambos extremos.
Puede omitir el código de restricción si no desea restringir el polinomio de retraso. En una ecuación se puede incluir
cualquier número de términos pdl . Cada uno le dice a EViews que ajuste los coeficientes de retraso distribuidos a
la serie y restrinja los coeficientes para que se encuentren en un polinomio.
Por ejemplo, los comandos:
ls ventas c pdl(pedidos,8,3)
ajusta VENTAS a una constante, y un retraso distribuido de actual y ocho retrasos de PEDIDOS, donde los
coeficientes de retraso de PEDIDOS se encuentran en un polinomio de tercer grado sin restricciones de punto final.
Similarmente:
ls div c pdl(rev,12,4,2)
ajusta DIV a un retraso distribuido de corriente y 12 retrasos de REV, donde los coeficientes de REV se encuentran
en un polinomio de cuarto grado con una restricción en el otro extremo.
La especificación pdl también se puede utilizar en mínimos cuadrados de dos etapas. Si la serie en el pdl es exógena,
también debe incluir el PDL de la serie en los instrumentos. Para este fin, puede especificar pdl(*) como instrumento;
todas las variables pdl se utilizarán como instrumentos. Por ejemplo, si especifica la ecuación TSLS como,
ventas c inc pdl(pedidos(-1),12,4)
con instrumentos:
alimentado alimentado(-1) pdl(*)
el rezago distribuido de PEDIDOS se utilizará como instrumentos junto con FED y FED(–1).
Los retrasos polinómicos distribuidos no se pueden utilizar en especificaciones no lineales.
Ejemplo
Podemos estimar un modelo de rezago distribuido de la producción industrial (IP) sobre el dinero (M1) en el archivo
de trabajo "Basics.WF1" ingresando el comando:
ls ip c m1 (0 a -12)
lo que arroja los siguientes resultados:
Variable dependiente: IP
Fecha: 08/08/09 Hora: 15:27
C 40.67568 0.823866 49.37171 0.0000

M1 0.129699 0,214574 0,604449 0,5459
M1(-1) -0.045962 0.376907 -0.121944 0.9030
M1(-2) 0.033183 0,397099 0,083563 0,9335
M1(-3) 0.010621 0,405861 0,026169 0,9791
M1(-4) 0.031425 0,418805 0,075035 0,9402
M1(-5) -0.048847 0.431728 -0.113143 0.9100
M1(-6) 0.053880 0,440753 0,122245 0,9028
M1(-7) -0.015240 0.436123 -0.034944 0.9721
M1(-8) -0.024902 0,423546 -0,058795 0,9531
M1(-9) -0.028048 0,413540 -0,067825 0,9460
M1(-10) 0.030806 0,407523 0,075593 0,9398
M1(-11) 0.018509 0,389133 0,047564 0,9621
M1(-12) -0.057373 0,228826 -0,250728 0,8022
R-cuadrado 0,852398 Media var dependiente 71.72679

R-cuadrado ajustado SE 0,846852 SD var dependiente 7,643137 19.53063
de regresión Suma Criterio info de Akaike 6.943606
cuadrada resid Logaritmo 20212,47 Criterio de Schwarz 7.094732
de probabilidad -1235,849 Criterio de Hannan-Quinn. 7.003697
Estadístico F 153.7030 Estadística de Durbin-W 0.008255
Prob(estadístico F) atson 0.000000
Tomados individualmente, ninguno de los coeficientes de M1 rezagado es estadísticamente diferente de cero.

R2con un estadístico F muy significativo (aunque con un
Sin embargo, la regresión en su conjunto tiene un valor razonable
estadístico Durbin-Watson muy bajo). Este es un síntoma típico de alta colinealidad entre los regresores y sugiere ajustar
un modelo polinomial de rezagos distribuidos.
Para estimar un modelo de rezago distribuido polinomial de quinto grado sin restricciones, configure la muestra usando el
comando,
ejemplo 1959m01 1989m12
luego estime la especificación de la ecuación:
ip c pdl(m1,12,5)
introduciendo la expresión en el cuadro de diálogo Estimación de ecuación y estimando utilizando mínimos cuadrados.
El siguiente resultado se informa en la parte superior de la ventana de la ecuación:

Expresiones de ecuaciones especiales—27
Variable dependiente: IP
Fecha: 08/08/09 Hora: 15:35
C 40,67311 0.815195 49.89374 0.055566 0.0000

PDL01 -4,66E-05 -0.000839 0.062884 -0.248479 0.9993
PDL02 -0,015625 0.013909 -0.011485 0.007700 0.8039
PDL03 -0,000160 0.241788 0.000408 0.063211 0.9908
PDL04 0,001862 0.000180 -0.273611 0.8091
PDL05 2,58E-05 0.9496
PDL06 -4,93E-05 0.7845
R-cuadrado 0.852371 Media var dependiente 0.849862 71.72679
R-cuadrado ajustado SE SD var dependiente 7.567664 Criterio 19.53063

de regresión Suma Akaike info 20216.15 Criterio Schwarz 6.904899
cuadrada resid Logaritmo -1235.882 Criterio Hannan-Quinn. 6.980462

de probabilidad Estadístico 6.934944
F Prob(estadístico F) 339.6882 Estadística de Durbin-Watson 0.008026
0.000000
Esta parte de la vista informa los coeficientes estimados g del polinomio en

Ecuación (20.2) en la página 23. Los términos PDL01, PDL02, PDL03, …, corresponden a z1
z , ,2 ÿ
en la Ecuación (20.4).
Los coeficientes de interés implícitos en la ecuación (1) se informan en la parte inferior de la tabla,
mamada
junto con una gráfica del polinomio estimado:
La Suma de retrasos que se informa en la parte inferior de la tabla es la suma de los coeficientes
estimados en el retraso distribuido y tiene la interpretación del efecto de largo plazo de M1 en IP,
suponiendo estacionariedad.
Tenga en cuenta que al seleccionar Ver/Diagnóstico de coeficientes para una ecuación estimada con términos PDL,
se prueban las restricciones en g , no en . b En este ejemplo, los coeficientes en el cuarto
(PDL05) y los términos de quinto orden (PDL06) son individualmente insignificantes y muy cercanos a cero.
Para probar el significado conjunto de estos dos términos, haga clic en Ver/Diagnóstico de coeficiente/
Restricciones de coeficiente de prueba de Wald... e ingrese:
c(6)=0, c(7)=0
en el cuadro de diálogo Prueba de Wald (consulte “Prueba de Wald (restricciones de coeficientes)” en la página 182 para
obtener una descripción detallada de las pruebas de Wald en EViews). EViews muestra el resultado de la prueba conjunta:
Prueba de Wald:
Ecuación: Sin título

Hipótesis nula: C(6)=0, C(7)=0
Estadística de prueba Valor d.f. Probabilidad
estadística F 0.039852 (2, 353) 2 0.9609
Chi-cuadrado 0.079704 0.9609
Resumen de hipótesis nula:
Restricción normalizada (= 0) Valor Estándar Errar.
C(6) 2.58E-05 0.000408
C(7) -4.93E-05 0.000180
Las restricciones son lineales en los coeficientes.
No hay evidencia para rechazar la hipótesis nula, lo que sugiere que podría haber ajustado un polinomio de orden
inferior a su estructura de rezagos.
Variables ficticias categóricas automáticas

Las especificaciones de ecuaciones de EViews admiten expresiones de la forma:
@expand(ser1[, ser2, ser3, ...][, drop_spec])
Cuando se usa en una especificación de ecuación, @expand crea un conjunto de variables ficticias que abarcan
los valores de cadena o enteros únicos de la serie de entrada.
Por ejemplo, considere las siguientes dos variables:
• SEXO es una serie numérica que toma los valores 1 y 0.
• REGION es una serie alfa que toma los valores “Norte”, “Sur”, “Este” y
"Oeste".
La especificación de la lista de ecuaciones
ingresos edad @expand(sexo)

se utiliza para realizar una regresión de INGRESOS sobre el regresor EDAD y dos variables ficticias, una
para “SEXO=0” y otra para “SEXO=1”.
De manera similar, la instrucción @expand en la especificación de la lista de ecuaciones,
ingresos @expand(sexo, región) edad
crea 8 variables ficticias correspondientes a:
sexo=0, region="Norte"
sexo=0, region="Sur"
sexo=0, region="Este"
sexo=0, región="Oeste"
sexo=1, region="Norte"
sexo=1, región="Sur"
sexo=1, region="Este"
sexo=1, región="Oeste"
Tenga en cuenta que nuestras dos especificaciones de ecuación de ejemplo no incluyeron una intersección.
Esto se debe a que las instrucciones @expand predeterminadas crearon un conjunto completo de variables
ficticias que impedirían incluir una intercepción.
Es posible que desee eliminar una o más de las variables ficticias. @expand toma varias opciones para soltar
variables.
La opción @dropfirst especifica que la primera categoría debe eliminarse para que:
@expand(sexo, región, @dropfirst)
no se crea ningún dummy para “SEXO=0, REGION="Norte"”.
De manera similar, @droplast especifica que se debe descartar la última categoría. En:
@expand(sexo, región, @droplast)
no se crea ningún ficticio para “SEXO=1, REGION="OESTE"”.
Puede especificar las variables ficticias que se eliminarán, explícitamente, utilizando la sintaxis
@drop(val1[, val2, val3,...]), donde cada argumento especificado corresponde a una categoría sucesiva en
@expand. Por ejemplo, en la expresión:
@expand(sexo, región, @drop(0,"Oeste"), @drop(1,"Norte"))
no se crea ningún dummy para “SEXO=0, REGIÓN="Oeste"” y “SEXO=1, REGIÓN="Norte"”.
Cuando especifica caídas por valor explícito, puede usar el comodín "*" para indicar todos los valores de una
categoría correspondiente. Por ejemplo:
@expand(sexo, región, @drop(1,*))

especifica que las variables ficticias para todos los valores de REGION donde "SEX=1" deben eliminarse.
Le advertimos que tenga cuidado al usar @expand ya que es muy fácil generar un número excesivamente grande de
regresores.
@expand también puede usarse como parte de una expresión matemática general, por ejemplo, en interacciones con
otra variable como en:
2*@expandir(x)
log(x+y)*@expand(z)
a*@expandir(x)/b
También es útil la capacidad de volver a normalizar los maniquíes
@expandir(x)-.5
Algo menos útil (al menos sus usos pueden no ser obvios), pero se admiten casos como:
log(x+y*@expand(z))
(@expandir(x)-@expandir(y))
Al igual que con todas las expresiones incluidas en una línea de comando de estimación o creación de grupos, deben
estar entre paréntesis si contienen espacios. Por lo tanto, las siguientes expresiones son válidas,
a*expandir(x)
(a * @expandir(x))
mientras que esta última expresión no lo es,
a * @expandir(x)
Ejemplo
Siguiendo a Wooldridge (2000, Ejemplo 3.9, p. 106), hacemos una regresión del logaritmo del precio medio de la vivienda,
LPRICE, en una constante, el logaritmo de la cantidad de contaminación (LNOX) y el número promedio de casas en la
comunidad, HABITACIONES, utilizando datos de Harrison y Rubinfeld (1978). Los datos están disponibles en el archivo de
trabajo “Hprice2.WF1”.
Ampliamos el ejemplo para incluir una variable ficticia para cada valor de la serie RADIAL, que representa un índice para el
acceso comunitario a las carreteras. Usamos @expand para crear las variables ficticias de interés, con una especificación
de lista de:
lprice lnox habitaciones @expand(radial)
Omitimos deliberadamente el término constante C ya que @expand crea un conjunto completo de variables ficticias. La
parte superior de los resultados se muestra a continuación:
Variable dependiente: PRECIO L

Fecha: 08/08/09 Hora: 22:11
Muestra: 1 506
LNOX -0.487579 0.084998 -5.736396 15.15945 43.35368 0.0000

HABITACIONES 0.284844 0.018790 8.930255 43.16343 0.0000
RADIALES=1 0.205986 9.030875 0.209225 45.47970 0.0000
RADIALES=2 9.085988 0.1999781 8.960967 45.11016 0.0000
RADIALES=3 0.198646 9.110542 0.209759 43.43330 0.0000
RADIALES=4 9.001712 0.205166 9.013491 43.87528 0.0000
RADIALES=5 0.206797 9.2072072062062062. 43.58621 0.0000
RADIALES=6 42.23297 0.0000
RADIALES=7 40.46069 0.0000
RADIALES=8 0.0000
RADIALES=24 0.0000
Tenga en cuenta que EViews ha creado automáticamente expresiones de variables ficticias para cada valor distinto en
RADIAL. Si deseamos volver a normalizar nuestras variables ficticias con respecto a una categoría omitida diferente, podemos
incluir la C en la lista de regresión y excluir explícitamente un valor.
Por ejemplo, para excluir la categoría RADIAL=24, usamos la lista:
lprice c lnox habitaciones @expand(radial, @drop(24))
La estimación de esta especificación produce:

Variable dependiente: PRECIO L

Fecha: 08/08/09 Hora: 22:15
Muestra: 1 506
C 8.811812 0.217787 40.46069 0.0000

LNOX -0.487579 0.084998 -5.736396 0.0000
HABITACIONES 0.284844 0.018790 15.15945 0.0000
RADIALES=1 0.118444 0.072129 1,642117 0,1012
RADIALES=2 0.219063 0.066055 3.316398 0.0010
RADIALES=3 0.274176 0.059458 4.611253 0.0000
RADIALES=4 0.149156 0.042649 3,497285 0,0005
RADIALES=5 0.298730 0.037827 7.897337 0.0000
RADIALES=6 0.189901 0.062190 3.053568 0.0024
RADIALES=7 0.201679 0.077635 2.597794 0.0097
RADIALES=8 0.258814 0.066166 3.911591 0.0001
R-cuadrado ajustado SE SD var dependiente 0,269841 Criterio 0.409255

de regresión Suma Akaike info 0.239530
cuadrada resid Logaritmo 36,04295 Criterio de Schwarz 0.331411

de probabilidad Estadístico -49,60111 Criterio de Hannan-Quinn. 0.275566
F Prob(estadístico F) 66.66195 Estadística de Durbin-W atson 0.671010
0.000000
Errores estándar robustos
En el modelo de regresión lineal de mínimos cuadrados, la matriz de varianza-covarianza de los coeficientes

estimados puede escribirse como:
ˆ
–1 –1
Vbÿ _ÿ Eÿ ÿ ÿÿ si – si ÿ si – si
ÿ ÿ
ÿ ÿ XÿX XÿQX Xÿ ÿ ÿX (20.8)
dónde Q ÿ Eÿ ÿ eeÿ .
Si los términos de error,y, son homocedásticos y no correlacionados de modo que 2 ÿ jyo , la cova
La
matriz de riance Eÿ ÿ eeÿ se simplifica a la expresión familiar
ˆ
–1 –1
V ÿb ÿ ÿ
ÿ XÿX
ÿ ÿ XÿX
ÿ ÿ–1
XÿX
ÿ j2 ÿ
j2 ÿ ÿ XÿX . (20.9)
Por defecto, EViews estima la matriz de covarianza del coeficiente bajo los supuestos
subyacentes a la Ecuación (20.9), de modo que
T 2
ˆ
q ÿ
ÿ--------------------
t=1
eˆt
s2
yo ÿ yo
Tk- (20.10)
y
ˆ ˆ
–1 2 –1 2 –1
ENÿ bÿ ÿ
ÿ ÿ XÿX ÿ Xÿs ÿ IX ÿ ÿ XÿX ÿ
s ÿ ÿ XÿX (20.11)
Errores estándar robustos: 33
2
donde essel estimador corregido de grado de libertad estándar de la varianza residual.
ˆ
ÿ
En su lugar, podemos emplear estimadores robustos de la varianza del coeficiente V b ÿ que relajan los
supuestos de heteroscedasticidad y/o correlación cero. En términos generales, EViews ofrece tres clases de
estimadores de varianza robustos que son:
• Robusto en presencia de heteroscedasticidad. Los estimadores de esta primera clase se denominan

Estimadores de covarianza consistentes con la heteroscedasticidad (HC).
• Robusto en presencia de correlación entre observaciones en diferentes grupos o conglomerados. Esta

segunda clase consiste en la familia de estimación de varianza Cluster Robust (CR)
tores
• Robusto en presencia de heteroscedasticidad y correlación serial. Los estimadores de la tercera clase se

denominan estimadores de heteroscedasticidad y covarianza coherente con autocorrelación (HAC).
Todos estos estimadores son casos especiales de estimadores sándwich de las covarianzas de los
coeficientes. El nombre se deriva de la estructura de los estimadores en los que diferentes estimaciones de
q están intercalados entre dos instancias de una matriz de momento exterior.
Vale la pena enfatizar que estos tres enfoques alteran las estimaciones de los errores estándar de los coeficientes
de una ecuación, pero no las estimaciones puntuales en sí mismas.
Por último, nuestra discusión aquí se centra en el modelo lineal. La extensión a la regresión no lineal se describe
en “Mínimos cuadrados no lineales” en la página 51.
Heterocedasticidad Covarianzas consistentes

Primero, consideramos estimadores de covarianza de coeficiente que son robustos a la presencia de
heterocedasticidad.
Dividimos nuestra discusión sobre la estimación de covarianza de HC en dos grupos: estimadores básicos, que
consisten en White (1980) y White corregido por grado de libertad (Davidson y MacKinnon 1985), y estimadores
más generales que dan cuenta de muestras finitas ajustando los pesos dados a residuales sobre la base del
apalancamiento (Long y Ervin, 2000; Cribari-Neto y da Silva, 2011).
Estimadores básicos de HC
White (1980) deriva un estimador de matriz de covarianza consistente con heterocedasticidad que proporciona
estimaciones consistentes de las covarianzas de los coeficientes en presencia de heterocedasticidad (condicional)
de forma desconocida, donde
2 2 2
Q Eÿ ÿ eeÿ
ÿ ÿ
( diag. j1 ,,,j2 ) ÿ jT (20.12)
Recuerde que la varianza del coeficiente en cuestión es

ˆ –1 –1
V ÿb ÿ Eÿ ÿ ÿÿ si – si ÿ si – si
ÿ ÿ
ÿ ÿ XÿX XÿQX Xÿ ÿ ÿX
Bajo el enfoque blanco básico. estimamos la matriz central F ÿ XÿQX utilizando la

forma corregida df
T
ˆ 2
T (20.13)
F W1 ---------------
eˆt XtXtÿ
ÿ ÿ TK– _
t=1
o la forma no corregida
T
ˆ 2
F W0 (20.14)
eˆt XtXtÿ
ÿÿ
t=1
eˆt donde están los residuos estimados, T es el número de observaciones, es el knúmero de TTk ÿ ÿ
regresores, y es la corrección convencional del grado de libertad.
ÿ–
ˆ
El estimador de se usa luego
F para formar el estimador de covarianza de coeficiente consistente con heteroscedasticidad.
Por ejemplo, el estimador de matriz de covarianza consistente de heteroscedasticidad de White de grado de libertad está
dado por
T
ˆ
–1ÿT------------- 2 –1
S CC1 ÿ ÿ XÿX ÿ
ÿ
Tk-
ÿ
ÿ eˆt XtXtÿ ÿÿ ÿ XÿX
ÿ
(20.15)
t=1 ÿ
Las estimaciones que utilizan este enfoque generalmente se denominan covarianzas y errores estándar de White o Huber-
White o (para el caso corregido de df) de White-Hinkley .
Ejemplo
Para ilustrar el cálculo de las estimaciones de la covarianza de White en EViews, empleamos un ejemplo de Wooldridge
(2000, p. 251) de una estimación de una ecuación salarial para profesores universitarios.
La ecuación utiliza variables ficticias para examinar las diferencias salariales entre cuatro grupos de personas: hombres
casados (MARRMALE), mujeres casadas (MARRFEM), mujeres solteras (SIN GLEFEM) y el grupo base de hombres
solteros. Las variables explicativas incluyen niveles de educación (EDUC), experiencia (EXPER) y antigüedad (TENURE).
Los datos están en el archivo de trabajo “Wooldridge.WF1”.
Para seleccionar el estimador de covarianza de White, especifique la ecuación

como antes, luego seleccione la pestaña Opciones y seleccione Huber-White
en el menú desplegable Método de covarianza . Si lo desea, puede usar la
casilla de verificación para eliminar el ajuste de df predeterminado, pero en este
ejemplo, usaremos la configuración predeterminada. (Tenga en cuenta que la
configuración combinada de la matriz de información no es importante en las
especificaciones lineales).
El resultado de las covarianzas robustas para esta regresión se muestra a continuación:

Variable dependiente: LOG(SALARIO)

Fecha: 31/05/17 Hora: 12:15
Muestra: 1 526
White-Hinkley (HC1) heteroscedasticidad errores estándar consistentes y covarianza
C 0,321378 0.109469 2.935791 0.057142 0.0035

MÁRMOL 0,212676 3.721886 0.0587700.057116
-3.373619 0.0002
MARFEM -0,198268 -1.932028 0.007415 10.64246 0.0008
SINGFEM -0,110350 0.005139 5.215010 0.000106 0.0539
EDUCAR 0,078910 -5.033361 0.006941 4.1907331 0.0000
EXPERTO 0,026801 0.00024444444 0.0000
EXPERTO^2 -0,000535 0.0000
TENENCIA 0,029088 0.0000
TENENCIA^2 -0,000533 0.0291

de regresión Suma Akaike info 79,96799 Criterio Schwarz 0.988423
cuadrada resid Logaritmo 1.061403
F Prob(estadístico F) 55,24559 Estadística de Durbin-Watson 1.784785
0,000000 Estadística F de Wald 0,000000 51.69553
Prob (estadística F de Wald)
Como señala Wooldridge, los errores estándar robustos de heteroscedasticidad para esta especificación no son
muy diferentes de las formas no robustas, y las estadísticas de prueba para la significancia estadística de los
coeficientes generalmente no cambian. Si bien los errores estándar robustos suelen ser más grandes que sus
contrapartes habituales, este no es necesariamente el caso y, de hecho, en este ejemplo, hay algunos errores
estándar robustos que son más pequeños que sus contrapartes convencionales.
Tenga en cuenta que EViews informa tanto la estadística F convencional basada en residuos y la probabilidad
asociada como la estadística robusta de la prueba de Wald y el valor p para la hipótesis de que todos los
coeficientes que no son de intersección son iguales a cero.
Recuerde que el conocido estadístico F residual para probar la hipótesis nula depende solo de las estimaciones
puntuales del coeficiente, y no de sus estimaciones del error estándar, y es válido solo bajo las hipótesis
mantenidas de no heteroscedasticidad o correlación serial. Para mínimos cuadrados ordinarios con errores estándar
estimados convencionalmente, esta estadística es numéricamente idéntica a la estadística de Wald. Cuando se
emplean errores estándar robustos, la equivalencia numérica entre los dos se rompe, por lo que EViews informa
tanto el residual convencional no robusto como las estadísticas F de Wald robustas.
EViews informa la estadística F robusta como la estadística F de Wald en la salida de la ecuación, y el valor p
correspondiente como Prob (estadística F de Wald). En este ejemplo, tanto el F-statis no robusto
tic y el robusto Wald muestran que los coeficientes sin intersección son estadísticamente significativos en conjunto.
Estimadores alternativos de HC
Los dos estimadores de covarianza White familiares descritos en “Estimadores básicos de HC” en la página 33 son
dos elementos de una clase más amplia de métodos de HC (Long y Ervin, 2000; Cribari Neto y da Silva, 2011).
Esta clase general de estimadores de covarianza sándwich consistentes con heteroscedasticidad puede escribirse como:
T
ˆ –1 ÿ –1
S CC ÿ ÿ XÿX
ÿ
ÿ
ÿ dteˆt ÿ ÿ2
ÿ XtXtÿ ÿÿ ÿ XÿX (20.16)
ÿÿt = 1
donde sondt
los pesos específicos de la observación que se eligen para mejorar el rendimiento de la muestra finita
mance
Los diversos miembros de la clase se obtienen a través de diferentes elecciones de pesos. Por
ejemplo, los estimadores White estándar y White corregido df se obtienen estableciendo dt ÿ 1 y dt
ÿ TTk ÿ ÿ ÿ – para todo t , respectivamente.
EViews le permite estimar sus covarianzas utilizando varias opciones para los estimadores de dt . Además de
covarianza de White estándar de arriba, EViews admite la corrección de sesgo HC2, pseudo-jackknife HC3 (MacKinnon y
White, 1985) y la ponderación de apalancamiento HC4, HC4m y HC5 ( Cribari-Neto, 2004; Cribaro-Neto y da Silva, 2011;
Cribari-Neto, Souza y Vasconcellos, 2007 y 2008).
Las funciones de ponderación para los diversos estimadores de HC admitidos por EViews se proporcionan a continuación:
Método dt
HC0 – Blanco 1
HC1 – Blanco con corrección df

TTk ÿ ÿ ÿ –
HC2 – sesgo corregido –1 2ÿ
ÿ 1 hora ÿ –
–1
HC3 - pseudo-cuchillo
ÿ 1 hora ÿ –
HC4 – apalancamiento relativo dt – ÿ 2

ÿ 1 hora ÿ –
HC4m dt – ÿ 2
ÿ hora
ÿ–1
HC5 dt – ÿ 4
ÿ 1hora ÿ –
Usuario: especificado por el usuario arbitrario

–1
dónde ht Xtÿÿ ÿ XÿX
ÿ
Xt son los elementos diagonales de la conocida "matriz de sombrero"

–1
H XXÿ ÿ ÿX
ÿ
Xÿ .
Tenga en cuenta que los métodos HC0 y HC1 corresponden a los estimadores básicos de White descritos
anteriormente.
Tenga en cuenta que HC4, HC4m y HC5 dependen de un factor de descuento exponencial que difiere
dt entre los
métodos:
• Para HC4,
( dt min Thi ) ÿ k, 4
ÿ
es una función truncada de la razón entre y la media (Cribari-Neto, h

2004; p. 230).
hora
• Para HC4m,
dt min Tht ÿ k k1 ( ),
ÿ
ÿ min Tht ,
( ) ÿ k k2
donde yk2son parámetros preespecificados (Cribari-Neto y da Silva, 2011). Popular k1

Cribari-Neto y Da Silva
EViews elige valores predeterminados de k1 ÿ 1.0 y k2 ÿ 1,5 .
• Para HC5,
( ( dt min
k max 4, kThmax
ÿ
) ,ÿTht
k ÿ )
es similar a la versión HC4 de dt , pero con truncamiento específico de observación que
k
depende del apalancamiento máximo y de un parámetro preestablecido (Cribari-Neto, Souza y
Vasconcellos, 2007 y 2008).
EViews emplea un valor predeterminado de k ÿ 0,7 .
Por último, para permitir la máxima flexibilidad, EViews le permite proporcionar valores especificados por dt
el
usuario en forma de una serie que contiene esos valores.
Cada una de las opciones de peso modifica los efectos de las observaciones de alto apalancamiento en el
cálculo de la covarianza. Ver Cribari-Neto (2004), Cribari-Neto y da Silva (2011), y Cribari-Neto, Souza y
Vasconcellos (2007, 2008) para una discusión sobre los efectos de estas elecciones.
Tenga en cuenta que el conjunto completo de estimadores HC solo está disponible para modelos de regresión lineal. Para
los modelos de regresión no lineal, los métodos basados en el apalancamiento no están disponibles y solo se pueden calcular
los especificados por el usuario.
Ejemplo
Para ilustrar el uso de los estimadores HC alternativos, continuamos con el ejemplo de Wooldridge
(“Ejemplo” en la página 34) considerado anteriormente. Especificamos las variables de la ecuación como
antes, luego seleccionamos la pestaña Opciones y hacemos clic en el menú desplegable Método de
covarianza y seleccionamos HC (Varios):
El cuadro de diálogo cambiará para mostrarle opciones adicionales para seleccionar el método HC:
Tenga en cuenta que los elementos HC0 (ordinario) y HC1 (df ajustado) replican el Huber-White
opción del menú desplegable Método de covarianza original y se incluyen en esta lista para completar. Si lo
desea, cambie el método predeterminado HC2 (sesgo ajustado) y, si es necesario, especifique valores para los
parámetros. Por ejemplo, si selecciona Especificado por el usuario, se le pedirá que proporcione el nombre de
una serie en el archivo de trabajo que contiene los valores del dt
pesos
Continuando con nuestro ejemplo, usamos el menú desplegable Método de covarianza para seleccionar el HC5
y retenga el valor predeterminado k ÿ 0.7 . Haga clic en Aceptar para estimar el modelo
con esta configuración y producir los siguientes resultados:
Variable dependiente: LOG(SALARIO)

Método: Mínimos Cuadrados
Fecha: 31/05/17 Hora: 12:11 Muestra:
1 526 Observaciones incluidas: 526
Cribari-Neto et al. (H5) errores
estándar consistentes con la heteroscedasticidad
& covarianza (k=.7)
C 0,321378 0.110175 2.916988 0.057869 0.0037

MÁRMOL 0,212676 3.675129 0.059220 -3.347974 0.0003
MARFEM -0,198268 0.057236 -1.927970 0.007502 0.0009
SINGFEM -0,110350 10.51918 0.005147 5.206623 0.0544
EDUCAR 0,078910 0.000107 -4.995281
3.123691
0.009312 0.0000
EXPERTO 0,026801 0.000387 -1.1.1. 0.0000
EXPERTO^2 -0,000535 0.0000
TENENCIA 0,029088 0.0019
TENENCIA^2 -0,000533 0.1685

F Prob(estadístico F) 55,24559 Estadística de Durbin-Watson 1.784785
0,000000 Estadística F de Wald 0,000000 51.54430
Prob (estadística F de Wald)
Los efectos sobre la inferencia estadística resultantes de un estimador HC diferente son menores, aunque el efecto
cuadrático de TENURE ya no es significativo en los niveles de prueba convencionales.
Covarianzas robustas de clúster

En muchos entornos, las observaciones se pueden agrupar en diferentes grupos o "conglomerados" en los que los
errores se correlacionan para las observaciones en el mismo conglomerado y no se correlacionan para las observaciones.
en diferentes agrupaciones. EViews ofrece soporte para la estimación consistente de las covarianzas de los
coeficientes que son resistentes a la agrupación en clústeres de una o dos vías.
Comenzamos con un único clasificador de agrupamiento y asumimos que
Y eiej ÿ ÿ ÿ
(20.17)
Sí ÿ ÿ ÿ 0
i y en elj mismo grupo, y todos y que están en diferentes grupos. Si suponemos que el número de
para todos a ellos
conglomerados G va al infinito, podemos calcular un cluster-robusto

(CR) estimación de covarianza que es robusta tanto a la heteroscedasticidad como a la correlación dentro del grupo
(Liang y Zeger, 1986; Wooldridge, 2003; Cameron y Miller, 2015).
Al igual que con los estimadores HC y HAC, el estimador robusto de conglomerados se basa en una forma de
sándwich con un estimador en la matriz central F ÿ XÿQX :
ˆ
GRAMO
F RC (20.18)
ÿÿ XgÿDge ˆge ˆgÿDgÿXg
gÿ1
dónde Xg Tg es el de regresores para las observaciones de Tg en el grupo g-ésimo, p .

ÿ k matriz
es un
vector de errores Tg Dg , y es un Tg ÿ Tg matriz diagonal de pesos para las observaciones
en el conglomerado. La familia resultante de estimadores de varianza CR viene dada por:
ˆ
GRAMO
ÿ
–1 –1
S RC ÿ ÿ XÿX
ÿ
ÿ
XgÿDge ˆg e ˆgÿDgÿXgÿÿ ÿ XÿX (20.19)
ÿ ÿÿ ÿ
gÿ1
Las funciones de ponderación compatibles con EViews para los diversos estimadores de CR son análogas a
las disponibles para la estimación de HC:
Método dt
CR0 – Ordinario 1
CR1: muestra finita corregida GRAMO

------------------ ÿ
ÿ ------------------
ÿT–1
(predeterminado)
ÿ ÿG–1 ÿ ÿTk–
CR2 – sesgo corregido –1 2ÿ

ÿ 1 hora
ÿ–
CR3 - pseudo-cuchillo –1
ÿ 1 hora
ÿ–
CR4 – apalancamiento relativo dt – ÿ 2

ÿ 1 hora
ÿ–
CR4m dt – ÿ 2
ÿ 1 hora
ÿ–
CR5 dt – ÿ 4
ÿ 1 hora
ÿ–
Usuario: especificado por el usuario arbitrario
–1 –1
donde ht ÿ
H XXÿ ÿ ÿX dt ÿ
Xÿ . para más
Xtÿÿ ÿ XÿX Xt son los elementos diagonales de
discusión y definiciones detalladas del factor de descuento en los diversos métodos, ver “Estimadores
alternativos de HC” en la página 36. Ver Cameron y Miller (CM 2015, p. 342) para una discusión de los ajustes
de sesgo en el contexto de estimación robusta de conglomerados.
Tenga en cuenta que el EViews CR3 difiere ligeramente del CR3 descrito por CM en que no incluye el
G Gÿ ÿ ÿ – 1 factor, y que hemos definido los estimadores CR4, CR4m y CR5 que
emplear ponderaciones análogas a las definidas para la estimación de la covarianza HC.

Podemos extender fácilmente el cálculo de la varianza robusta al agrupamiento bidireccional para manejar casos
en los que las observaciones están correlacionadas dentro de dos dimensiones de agrupamiento diferentes
(Petersen 2009, Thompson 2011, Cameron, Gelbach y Miller 2015).
Se muestra fácilmente que el estimador de varianza para agrupar por y puede escribirse como:
AB
ˆ ˆA ˆB ˆ AB ÿ (20.20)
RC RC – RC
S CR S ÿ
ÿ S S
donde el ˆj
RC se utiliza para indicar el estimador obtenido suponiendo agrupamiento a lo largo de la
S
dimensión dada. Por lo tanto, el estimador se forma sumando las covarianzas obtenidas al agrupar a lo largo de
cada una de las dos dimensiones individualmente y restando la covarianza obtenida al definir conglomerados
para la intersección de las dos dimensiones.
Tenga en cuenta que EViews no realiza el ajuste de valores propios en los casos en que la estimación resultante
no es semidefinida positiva.
Si elige calcular estimaciones de covarianza robustas de clústeres, EViews ajustará las probabilidades de la
estadística t en el resultado de la estimación principal para tener en cuenta el agrupamiento y anotará este ajuste
en los comentarios de salida. Siguiendo a Cameron y Miller (CM, 2015), la prueba G – 1
Las capacidades se calculan utilizando la distribución t con grados de libertad en el caso de conglomerados
unidireccionales, y por min GA GB ( ) – 1 grados de libertad bajo agrupamiento bidireccional. Tenga en
,
cuenta que CM nota que incluso con estos ajustes, las pruebas tienden a rechazar en exceso el valor nulo.
Además, cuando se calculan covarianzas robustas de conglomerados, EViews no mostrará la estadística F

basada en residuos para la prueba de significación de los regresores sin intercepción. Se mostrará la
estadística F robusta basada en Wald .
Ejemplo
Ilustramos el cálculo de la estimación de covarianza robusta de clúster en EViews utilizando los datos de
prueba proporcionados por Petersen a través de su sitio web:
http://www.kellogg.northwestern.edu/faculty/petersen/htm/papers/se/test_data.htm
Los datos se proporcionan como un archivo de trabajo de EViews "Petersen_cluster.WF1". Hay 5000
observaciones sobre cuatro variables en el archivo de trabajo, la variable dependiente Y, la variable independiente
X y dos variables de clúster, un identificador de empresa (FIRMID) y un identificador de tiempo (AÑO). Hay 500
empresas y 10 períodos en el diseño equilibrado.
Primero, cree el objeto de ecuación en EViews seleccionando Objeto/Nuevo objeto.../Ecuación o Rápido/

Estimar ecuación... en el menú principal, o simplemente escriba la palabra clave ecuación en la ventana de
comandos. Ingrese la especificación de regresión "YCX" en el campo de edición Especificación y haga clic en
Aceptar para estimar la ecuación utilizando la configuración de covarianza estándar.
Los resultados de esta estimación se dan a continuación:

Fecha: 30/05/17 Hora: 15:44
Muestra: 1 5000
C 0.029680 0.028359 1.046560 0.2954

X 1.034833 0.028583 36.20414 0.0000

de verosimilitud Estadístico -10572.60 Criterio de Hannan-Quinn. 4.230755
F 1310.740 Estadística de Durbin-Watson 1.096121
Prob (estadística F) 0.000000
A continuación, para estimar la ecuación con covarianzas sólidas de conglomerados FIRMID, haga clic en el botón
Estimar en la barra de herramientas de la ecuación para mostrar el cuadro de diálogo de estimación y luego haga clic en
la pestaña Opciones para mostrar las opciones de covarianza del coeficiente .
Seleccione Cluster robusto en el menú desplegable Método de covarianza , ingrese "FIRMID" en el campo de edición
de la serie Cluster y seleccione un método CR. Aquí, elegimos el método CR1 (muestra finita) que emplea un ajuste de
estilo df simple a la estimación básica de covarianza de conglomerados. Haga clic en Aceptar para estimar la ecuación
usando esta configuración.
Los resultados se muestran a continuación:
Fecha: 30/05/17 Hora: 15:50
Muestra: 1 5000
Errores estándar de clúster robusto CR1 (muestra finita ajustada) y
covarianza
Serie de clústeres: FIRMID (500 clústeres)
Errores estándar y probabilidades de estadística t ajustadas para agrupamiento
C 0.029680 0.067013 0.442897 0.050596 0.6580

X 1.034833 20.45298 0.0000

de probabilidad Durbin- -10572.60 Criterio de Hannan-Quinn. 4.230755
Watson stat Prob (Wald 1.096121 Estadística F de Wald 418.3244
F-statistic) 0.000000
La parte superior del resultado de la ecuación describe tanto el método de conglomerados (CR1) como la serie de
conglomerados (FIRMID), junto con el número de conglomerados (500) observados en la muestra de estimación. Además,
EViews indica que los errores estándar de los coeficientes informados y las probabilidades de la estadística t se han
ajustado para el agrupamiento. Como se señaló anteriormente, las probabilidades se calculan utilizando la distribución t
con G – 1 ÿ 499 grados de libertad.
Tenga en cuenta también que EViews ya no muestra la estadística F ordinaria y la probabilidad asociada, sino que muestra
la estadística F robusta y la probabilidad de Wald.
Fecha: 30/05/17 Hora: 15:50
Muestra: 1 5000
CR1 (muestra finita ajustada) errores estándar y covarianza robustos al
conglomerado
Serie de clústeres: FIRMID (500 clústeres), AÑO (10 clústeres)
C 0.029680 0.065064 0.456163 0.6591

X 1.034833 0.053558 19.32173 0.0000

Para el agrupamiento bidireccional, creamos una ecuación con la misma especificación de regresión, hacemos clic en la
pestaña Opciones e ingresamos los dos identificadores de serie de conglomerados "FIRMID YEAR" en el campo de
edición de la serie de conglomerados . Dejando las opciones restantes en su configuración actual, haga clic en Aceptar
para calcular y mostrar los resultados de la estimación:
Fecha: 30/05/17 Hora: 15:23
Muestra: 1 5000
Errores estándar de clúster robusto CR1 (muestra finita ajustada) y
covarianza
Serie de clústeres: FIRMID (500 clústeres), AÑO (10 clústeres)
X 1.034833 0.053558 19.32173 0.0000

C 0.029680 0.065064 0.456163 0.6591

cuadrada resid Logaritmo -10572,60 Criterio Hannan-Quinn. 4.232448
de probabilidad Durbin- 4.230755
El resultado muestra que el cálculo de la covarianza robusta del clúster ahora se basa en el agrupamiento
bidireccional utilizando los 500 clústeres en FIRMID y los 10 clústeres en YEAR. Las habilidades de probabilidad de
estadística t ahora se basan en la distribución t con ( min 500 10 ) – 1 ÿ 9 , grados de libertad
dom.
Observe en todos estos ejemplos que las estimaciones puntuales del coeficiente y las medidas de ajuste básico no
se modifican. Los únicos cambios en los resultados se encuentran en los errores estándar estimados y las
estadísticas t, probabilidades y estadísticas F y probabilidades asociadas .
Por último, observamos que los errores estándar y las estadísticas correspondientes en los resultados bidireccionales
de EViews difieren ligeramente de los informados en el sitio web de Petersen. Estas diferencias parecen ser el
resultado de ajustes de muestra finita ligeramente diferentes en el cálculo de las tres matrices individuales utilizadas
para calcular la covarianza bidireccional. Cuando selecciona el método CR1, EViews ajusta cada una de las tres
matrices usando el ajuste de muestra finita CR1; El ejemplo de Petersen parece aplicar CR1 a las covarianzas de
conglomerados unidireccionales, mientras que los resultados conjuntos de conglomerados bidireccionales se
calculan utilizando CR0.
Covarianzas consistentes HAC (Newey-West)

La matriz de covarianza de White descrita anteriormente supone que los residuos de la ecuación estimada no
están correlacionados en serie.
Newey y West (1987b) proponen un estimador de covarianza que es consistente en presencia tanto
de heteroscedasticidad como de autocorrelación (HAC) de forma desconocida, bajo el supuesto de
que las autocorrelaciones entre observaciones distantes desaparecen. NW defiende el uso de
.
métodos kernel para formar una estimación de la varianza a largo plazo, E Xÿ ÿ ÿeeÿX Tÿ
EViews incorpora y amplía el enfoque de Newey-West permitiéndole estimar la

Estimador de covarianza de coeficiente consistente HAC dado por:
S NO ÿ ÿ X'X –1 –1
ÿ
TLˆ ÿ ÿ X'X (20.21)
donde esLcualquiera de los estimadores LRCOV descritos en el Apéndice F. “Estimación de la covarianza a largo
plazo”, en la página 1115.
Para utilizar el método HAC de Newey-West, seleccione la pestaña

Opciones y seleccione HAC (Newey-West) en el menú desplegable Matriz
de covarianza del coeficiente . Como antes, puede usar la casilla de
verificación para eliminar el ajuste de df predeterminado.
Presione el botón de opciones de HAC para cambiar las opciones para la

estimación de LRCOV.
Ilustramos el cálculo de las covarianzas HAC usando un ejemplo

de Stock y Watson (2007, p. 620). En este ejemplo, se hace una
regresión del cambio porcentual del precio del jugo de naranja
sobre una constante y el número de días en que la temperatura en
Florida llegó a cero durante los 18 meses actuales y anteriores,
utilizando datos mensuales de 1950 a 2000. Los datos están en el
archivo de trabajo “Stock_wat.WF1”.
Stock y Watson informan los errores estándar de Newey-West

calculados utilizando un Kernel Bartlett no blanqueado previamente
con un ancho de banda especificado por el usuario de 8 (tenga en
cuenta que el ancho de banda es igual a uno más lo que Stock y
Watson denominan "parámetro de truncamiento").
metro
Los resultados de esta estimación se muestran a continuación:

Mínimos cuadrados ponderados: 47
Variable dependiente: 100*D(LOG(POJ))

Fecha: 10/02/13 Hora: 06:44
Muestra: 1950M01 2000M12
Errores estándar y covarianza HAC (kernel Bartlett, ancho de banda del usuario =
8.0000)
FDD 0.503798 0.139563 3.609818 0.088943 0.0003

FDD(-1) 0.169918 1.910407 0.060693
0.044894
1.104158 0.0566
FDD(-2) 0.067014 1.583444 0.031656
0.030763
0.782679 0.2700
FDD(-3) 0.071087 1.038086 0.047602 0.684014
0.015743 0.1139
FDD(-4) 0.024776 0.947323 0.034885
0.051452
-1.209594 0.4341
FDD(-5) 0.031935 -0.200181 0.070656
-1.646013 0.2997
FDD(-6) 0.032560 0.053014 -1.250288
-1.837518
0.077424 0.4942
FDD(-7) 0.014913 0.042992 -1.897435
-1.596959
0.035300 0.3439
FDD(-8) -0.042196 0.028018 -1.137658 0.055701 0.2269
FDD(-9) -0.010300 -0.121670 0.018445 0.075584 0.8414
FDD(-10) -0.116300 0.016973 0.107450 0.273659 0.1003
FDD(-11) -0.066283 -1.243289 0.2117
FDD(-12) -0.142268 0.0666
FDD(-13) -0.081575 0.0583
FDD(-14) -0.056372 0.1108
FDD(-15) -0.031875 0.2557
FDD(-16) -0.006777 0.9032
FDD(-17) 0.001394 0.9398
FDD(-18) 0.001824 0.9145
C -0.340237 0.2143
R-cuadrado 0,128503 Media var dependiente -0.115821

de regresión Suma Criterio info de Akaike 6.008886
cuadrada resid Logaritmo 13662.11 Criterio de Schwarz 6.153223
de probabilidad -1818.719 Criterio de Hannan-Quinn. 6.065023
Estadístico F 4.594247 Estadística de Durbin-Watson 1.821196
Prob(estadístico F) 0,000000 Estadística F de Wald 2.257876
Prob (estadística F de Wald) 0,001769
Tenga en cuenta en particular que la parte superior de la salida de la ecuación documenta el uso de estimaciones de
covarianza HAC junto con información relevante sobre la configuración utilizada para calcular la matriz de covarianza a largo
plazo.
El valor p de Wald robusto de HAC es ligeramente más alto que el valor p correspondiente de la estadística F no robusta ,
pero es significativo en los niveles de prueba convencionales.
Mínimos cuadrados ponderados
Suponga que tiene heteroscedasticidad de forma conocida, donde las varianzas del error condicional están dadas por . La
2
presencia de heteroscedasticidad
jt no altera el sesgo o consis
propiedades de tenencia de las estimaciones de mínimos cuadrados ordinarios, pero OLS ya no es eficiente
y las estimaciones convencionales de los errores estándar del coeficiente no son válidas.
2
Si las varianzas jt se conocen hasta un factor de escala positivo, puede usar mínimos cuadrados
ponderados (WLS) para obtener estimaciones eficientes que respalden una inferencia válida. Específicamente, si
xtÿserÿ
ÿ
yt t
E et Xt ÿ ÿ ÿ 0 (20.22)
ÿ
Era un Xt ÿ ÿ 2 jt
y observamos residuos ÿ
b la suma ponderada de
2 dije , el estimador WLS para minimiza
ht cuadrados:
1 2
Sÿ ÿ
segundo ÿ ÿ ÿ – ÿb ÿ ---- yt
xt ht
t
(20.23)
2
ÿÿ yt xtÿ – ÿb ÿ peso
t
k -dimensional de parámetros , donde los pesos 1 ht ÿ ÿ

b con respecto al vector wt
son proporcionales a las varianzas condicionales inversas. De manera equivalente, puede estimar la regresión de los
ÿ
datos transformados ponderados por raíz cuadrada yt
ÿ ÿ
en el trans wt yt
ÿ
formado xt ÿ ÿ
peso x peso
.
en
En notación matricial, sea unaWmatriz diagonal que contenga la escala a lo largo de la diagonal y X y ceros en otros
escribir, lugares, y sean y las matrices asociadas con y . El estimador
yt WLS
xt se puede
–1
b WLS ÿ ÿ XÿWX
ÿ
XÿWy (20.24)
y la matriz de covarianza del coeficiente estimado por defecto es:

2 –1
S WLS _ ÿ
ÿ ÿ XÿWX (20.25)
dónde
2
1
segundos
ÿ
ÿ y X– bˆ WLS ÿÿWy X– bˆ ÿ WLS ÿ
------------- (20.26)
Tk-
es un estimador corregido gl de la varianza residual ponderada.
Para realizar WLS en EViews, abra el cuadro de diálogo de estimación de ecuaciones y seleccione un método
que admita WLS, como LS: mínimos cuadrados (NLS y ARMA), luego haga clic en la pestaña Opciones .
(Debe tener en cuenta que la estimación ponderada no se ofrece en ecuaciones que contienen especificaciones
ARMA, ni está disponible para algunos métodos de ecuación, como los estimados con ARCH, binario, conteo,
censurado y truncado, o técnicas de elección discreta ordenada).
Mínimos cuadrados ponderados: 49
Utilizará las tres partes de la sección Pesos de la pestaña Opciones para especificar sus pesos.
El menú desplegable Tipo se utiliza para especificar la forma en que se proporcionan los datos de
peso. Si, por ejemplo, su serie de pesos VARWGT contiene valores proporcionales a la varianza
condicional, debe seleccionar Varianza.
Alternativamente, si su serie INVARWGT contiene los valores proporcionales a la inversa de la
desviación estándar de los residuos, debe elegir Inverse std. desarrollador
A continuación, debe ingresar una expresión para su serie de peso en el campo de edición de Serie de peso .
Por último, debe elegir un método de escala para los pesos. Hay tres opciones: promedio,
ninguno y (en algunos casos) el valor predeterminado de EViews. Si selecciona Promedio,
EViews, antes de su uso, escalará los pesos antes para que la suma sea T
T . La especificación predeterminada de EViews escala los pesos para que las raíces cuadradas wi
de la suma a . (La última
versiones escala
anteriores, sede raíz cuadrada,
introdujo que ofrece
originalmente en uncompatibilidad con versiones
esfuerzo por hacer anteriores
que los residuos de wi EViews 6 y
ponderados
ÿ ÿ – ÿbˆ
de EViews solo estáÿ disponible
comparable si aselecciona
los residuos no ponderados).
Inverse Tenga en
std. desarrollador cuenta
como tipoque el método wt.yt xt predeterminado
de ponderación
A menos que exista una buena razón para hacerlo, le recomendamos que utilice Inverse std. desarrollador
pesos con la escala predeterminada de EViews , incluso si eso significa que debe transformar su serie de peso.
Los otros tipos de peso y métodos de escala se introdujeron en EViews 7, por lo que es posible que las versiones
anteriores de EViews no puedan leer las ecuaciones estimadas con la configuración alternativa.
Sˆ Destacamos el hecho de que bWLSson

y casi siempre
invariantes
al escalamiento de WLS
pesos Una excepción importante a esta invariancia ocurre en el caso especial en el que algunos de los valores de las
series de ponderaciones no son positivos, ya que las observaciones con ponderaciones no positivas se excluirán del
análisis a menos que haya seleccionado el escalado predeterminado de EViews , en cuyo caso solo las observaciones
con ponderaciones cero se excluyen los pesos.
Como ilustración, consideramos un ejemplo simple tomado de Gujarati (2003, Ejemplo 11.7, p. 416) que examina la relación
entre la compensación (Y) y el índice de tamaño del empleo (X) para nueve industrias manufactureras no duraderas. Los
datos, que se encuentran en el archivo de trabajo "Gujarati_wls.WF1", también contienen una serie SIGMA que se cree que
es proporcional a la desviación estándar de cada error.
Para estimar WLS para esta especificación, abra un cuadro de diálogo de ecuación e ingrese
ycx
como especificación de la ecuación.

Haga clic en la pestaña Opciones y complete la sección Pesos como se muestra

aquí. Seleccionamos Inverse std. desarrollador como nuestro Tipo, y especifique “1/
SIGMA” para nuestra serie de Peso. Por último, seleccionamos el valor predeterminado
de EViews como nuestro método de escalado .
Haga clic en Aceptar para estimar la ecuación especificada. Los resultados están
dados por:
Fecha: 17/06/09 Hora: 10:01
Muestra: 1 9
Serie de ponderación: 1/SIGMA
Tipo de ponderación: Desviación estándar inversa (escala predeterminada de EViews)
C 3406.640 80.98322 42.06600 0.0000

X 154.1526 16.95929 9.089565 0.0000
Estadísticas ponderadas


de verosimilitud Estadístico 12.61952
F 82.6 Estadística Durbin-Watson 2018 1.183941
Prob (estadística F) 0,000040 Dep. media ponderada 4039.404
Estadísticas no ponderadas
R-cuadrado ajustado SE SD var dependiente 114,1939 Suma 420.5954

de regresión Durbin- cuadrada resid 1,141034 91281.79
Watson stat
La parte superior de la salida muestra la configuración de estimación que muestra tanto la serie de ponderación especificada
como el tipo de ponderación empleada en la estimación. La sección central muestra los valores de los coeficientes estimados
y los errores estándar correspondientes, las estadísticas t y las probabilidades.
La parte inferior de la salida muestra dos conjuntos de estadísticas. Las estadísticas ponderadas
mostrar las estadísticas correspondientes a la ecuación estimada real. A los efectos de la discusión, hay dos tipos de
estadísticas de resumen: las que (generalmente) no varían con la escala de los pesos y las que varían con la escala del peso.
Mínimos cuadrados no lineales: 51
El "R-cuadrado", "R-cuadrado ajustado", "F-estadístico" y "Prob(F-estadístico)", y el "Estadístico de Durbin

Watson", son todos invariantes a su elección de escala. Tenga en cuenta que todas estas son medidas de ajuste
o estadísticas de prueba que involucran proporciones de términos que eliminan la escala.
Una estadística invariante adicional importante es la "Dep. media ponderada". que es la media ponderada de
la variable dependiente, calculada como:
valor ÿ t
ÿ -----------------
es (20.27)
ÿwt
La media ponderada es el valor de la intersección estimada en el modelo restringido y se utiliza para formar
la prueba F informada.
Las estadísticas restantes, como "Var. dependiente de la media", "Resid de suma cuadrada" y "Verosimilitud
de registro", dependen todas de la elección de la escala. Pueden considerarse como las estadísticas calculadas
ÿ ÿ
utilizando los datos ponderados, yt peso y xt ÿ ÿ
. Porde
xt y la suma ejemplo, el wt
los cuadrados
ÿ ÿ
la media de la variable dependiente se calcula

2
como uals ytÿ yt
ÿ ÿÿ ÿ T , residen
ÿ
viene dada por ÿ
yt ÿ - bˆ ÿ peso
xt . Estos valores no deben compararse a través de equa
ciones estimadas utilizando diferentes escalas de peso.
Por último, EViews informa un conjunto de estadísticas no ponderadas. Como sugiere el nombre, se trata de
estadísticas calculadas utilizando los datos no ponderados y los coeficientes WLS.
Mínimos cuadrados no lineales
Supongamos que tenemos la especificación de regresión:

ÿ
yt f x( ) sert , ÿ t, (20.28)
donde esFuna función general de las variables explicativas y los parámetros. b

xt La estimación por mínimos
cuadrados elige los valores de los parámetros que minimizan la suma de los residuos al cuadrado:
2
Sÿ ÿ segundo
ÿ
ÿ ÿ yt fx – ( t, bÿ) ÿ
ÿ y fX – ÿ , ÿÿÿb ÿ y fX – ÿ , b ÿ ÿ (20.29)
t
F al param b
Decimos que un modelo es lineal en parámetros si las derivadas de con respecto
b derivadas son funciones de no lineales en
los éteres no dependen de ; si las , decimos que el modelo es
parámetros.
Por ejemplo, considere el modelo dado por:

ÿ ÿÿb2
yt b1 ÿ Lt registro y
t . (20.30)
b3 Registro de kt
Es fácil ver que este modelo es lineal en sus parámetros, lo que implica que puede estimarse utilizando
mínimos cuadrados ordinarios.
Por el contrario, la especificación de la ecuación:
b2
ÿ
ÿ y (20.31)
b3 yt b1Lt Kt t
b reorganizar los términos en este modelo para que se

tiene derivados que dependen de los elementos de . No hay forma de
puedan usar mínimos cuadrados ordinarios para minimizar los residuos de la suma de cuadrados. Debemos utilizar técnicas
de mínimos cuadrados no lineales para estimar los parámetros del modelo.
Los mínimos cuadrados no lineales minimizan los residuos de la suma de cuadrados con respecto a la elección de
parámetros. Si bienbno existe una solución de forma cerrada para los parámetros, se pueden obtener estimaciones a partir
de métodos iterativos, como se describe en “Algoritmos de optimización”, a partir de la página 1095.
Las estimaciones del coeficiente de covarianza toman la forma general:

ˆ
S NLLS ÿ
cA–1 BA–1 (20.32)
donde es A B los gradientes residuales ponderados y es un parámetro de

una estimación de la información, es la varianza de
escala. C
AB ÿ
Para el estimador de covarianza ordinario, suponemos que . Entonces tenemos
S NLLS cA–1 ÿ (20.33)
C estimador de la varianza residual (con o sin corrección del grado de libertad).

donde es un
Como en Amemiya (1983), podemos estimar A utilizando el producto exterior de los gradientes (OPG)
entonces tenemos
ˆ –1
S NLLS c ÿÿ
ÿ ---------------ÿfÿ
ÿfÿ ÿÿ b -------------
ÿb (20.34)
ÿ ÿ ÿ ÿb ÿb
donde los derivados se evalúan en bNLLS .
Del mismo modo, podemos establecer A a la mitad de la matriz hessiana de segundas derivadas de la función de suma de
cuadrados:
2 –1
1ÿ
ÿ ÿ-- Sÿ ÿ segundo
S NLLS c ÿÿ ÿ
(20.35)
-----------------
2 ÿ ÿbÿbÿÿ
evaluado en .
bNLLS
AB un estimador sándwich White o HAC para la covarianza del

Alternativamente, podemos suponer distintos y emplear
coeficiente como en “Errores estándar robustos”, a partir de la página 32.
En este caso, una se estima utilizando OPG o Hessian, y es una estimación robustaBde la
C que representa la corrección del
varianza de los residuos ponderados del gradiente. En este caso, es un escalar
grado de libertad, si se emplea.
Para una discusión adicional de la estimación no lineal, ver Pindyck y Rubinfeld (1998, p. 265-
273), Davidson y MacKinnon (1993) o Amemiya (1983).
Estimación de modelos NLS en EViews

Es fácil decirle a EViews que desea estimar los parámetros de un modelo utilizando mínimos cuadrados no lineales.
EViews aplica automáticamente mínimos cuadrados no lineales a cualquier ecuación de regresión que no sea lineal en
sus coeficientes. Simplemente seleccione Objeto/Nuevo objeto.../Ecuación, ingrese la ecuación en el cuadro de
diálogo de especificación de ecuación y haga clic en Aceptar. EViews hará todo el trabajo de estimar su modelo usando
un algoritmo iterativo.
En el Apéndice C se proporciona una discusión técnica completa de los procedimientos de estimación iterativos .
“Opciones de estimación y solución”, a partir de la página 1089.
Especificación de mínimos cuadrados no lineales
Para los modelos de regresión no lineal, deberá ingresar su especificación en forma de ecuación utilizando expresiones
de EViews que contienen referencias directas a los coeficientes. Puede utilizar elementos del vector de coeficientes
predeterminado C (p. ej., C(1), C(2), C(34), C(87)), o puede definir y utilizar otros vectores de coeficientes. Por ejemplo:
y = c(1) + c(2)*(k^c(3)+l^c(4))
es una especificación no lineal que utiliza del primero al cuarto elementos del vector de coeficiente predeterminado,
C.
Para crear un nuevo vector de coeficientes, seleccione Objeto/Nuevo objeto.../Matriz-Vector-Coef en el menú

principal y proporcione un nombre. Ahora puede usar este vector de coeficientes en su especificación. Por ejemplo, si
crea un vector de coeficientes llamado CF, puede reescribir la especificación
ción anterior como:
y = cf(11) + cf(12)*(k^cf(13)+l^cf(14))
que utiliza los elementos del undécimo al decimocuarto de CF.
También puede usar múltiples vectores de coeficientes en su especificación:
y = c(11) + c(12)*(k^cf(1)+l^cf(2))
que utiliza tanto C como CF en la especificación.
Vale la pena señalar que EViews agrega implícitamente una perturbación adicional a su especificación.
Por ejemplo, la entrada
y = (c(1)*x + c(2)*z + 4)^2
se interpreta como yt ÿ
ÿ ÿ 2 zt ÿ 4 ÿ
ÿ cÿ ÿ 1 xt cÿ 2ÿ y , y EViews minimizará:
t
2 2
– (20.36)
S cÿ ÿ ÿ 1 , cÿ ÿ 2 ÿ ÿ ÿ ÿ ÿ yt cÿcÿ ÿ 2 zt ÿ 4ÿ ÿ
1 xt ÿ
t
Si lo desea, la especificación de la ecuación puede estar dada por una expresión simple que no incluya una
variable dependiente. Por ejemplo, la entrada,
(c(1)*x + c(2)*z + 4)^2

2
es interpretado por EViews como – ÿ cÿ ÿ 1 xt cÿ
ÿ ÿ 2 zt ÿ 4 ÿ eÿt , y EViews minimizará:
2 2
– ÿ ÿ 2 zt ÿ 4 ÿ (20.37)
S cÿ ÿ ÿ 1 , cÿ ÿ 2 ÿ ÿ ÿ ÿ ÿ cÿ ÿ 1 xt cÿ ÿ
Si bien EViews estimará los parámetros de esta última especificación, la ecuación no se puede usar para
pronosticar y no se puede incluir en un modelo. Esta restricción también es válida para cualquier ecuación que
incluya coeficientes a la izquierda del signo igual. Por ejemplo, si especifica,
x + c(1)*y = z^c(2)
EViews encontrará los valores de C(1) y C(2) que minimizan la suma de los cuadrados de la ecuación
implícita:
ÿ – cÿ ÿ 2
(20.38)
eÿt
xt cÿ ÿ 1 yt zt
La ecuación estimada no puede usarse en pronósticos ni incluirse en un modelo, ya que no hay una variable
dependiente.
Al hacer clic en la pestaña Opciones , se muestran las opciones de estimación de mínimos cuadrados no lineales:
Covarianza Coeficiente
EViews le permite calcular las covarianzas de los coeficientes ordinarios usando el inverso de la OPG de la
función media o la hessiana observada de la función objetivo, o para comparar
Calcule estimadores sándwich robustos para la matriz de covarianza utilizando estimadores White o HAC (Newey
West).
• El menú desplegable del método de covarianza que se encuentra en la parte superior se debe usar para elegir
entre los métodos Ordinario predeterminado o Huber-White robusto o HAC (Newey-West) .
• En el menú Matriz de información debe elegir entre la OPG y la Hes

sian - estimadores observados para la información.
• Si selecciona HAC (Newey-West), se le presentará un botón de opciones de HAC que, si lo presiona, abre
un cuadro de diálogo que le permite controlar el cálculo de la varianza a largo plazo.
Consulte “Errores estándar robustos”, a partir de la página 32 para ver una discusión sobre los errores estándar
de White y HAC.
Puede usar la casilla de verificación Ajuste df para habilitar o deshabilitar la corrección del grado de libertad para la
covarianza del coeficiente. Para el método Ordinario , esta configuración equivale a determinar si el estimador de la
varianza residual está o no corregido por el grado de libertad. Para los estimadores sándwich, la corrección del grado
de libertad se aplica a toda la matriz.
Mejoramiento
Puede controlar el proceso iterativo especificando el método de optimización, el criterio de convergencia y el número
máximo de iteraciones.
El menú desplegable del método de optimización le permite elegir entre los métodos heredados predeterminados
de Gauss Newton y BFGS, Newton-Raphson y EViews .
En general, las diferencias entre las estimaciones deberían ser pequeñas para especificaciones no lineales de buen
comportamiento, pero si tiene problemas, es posible que desee experimentar con métodos. Tenga en cuenta que el
legado de EViews es una implementación particular de Gauss-Newton con Marquardt o pasos de búsqueda de línea,
y se proporciona para compatibilidad de estimación hacia atrás.
El método Step le permite elegir el enfoque para elegir los pasos iterativos candidatos.
El método predeterminado es Marquardt, pero en su lugar puede seleccionar Dogleg o Line Search.
Consulte “Método de optimización” en la página 1090 y “Algoritmos de optimización” en la página 1095 para obtener
información relacionada.
EViews informará que el procedimiento de estimación ha convergido si el valor de la prueba de convergencia está por
debajo de su tolerancia de convergencia. Ver para más detalles. Si bien no existe la mejor opción de tolerancia de
convergencia, y la elección es un tanto individual, como guía, tenga en cuenta que generalmente configuramos la nuestra
en algo del orden de 1e-8 más o menos y luego la ajustamos hacia arriba si es necesario para modelos con dificultades de
ajuste. calcular derivadas numéricas.
Consulte “Iteración y convergencia” en la página 1090 para obtener información adicional.
En la mayoría de los casos, no es necesario cambiar el número máximo de iteraciones. Sin embargo, para algunos modelos
difíciles de estimar, el procedimiento iterativo puede no converger dentro del número máximo de iteraciones. Si su modelo
no converge dentro del número asignado de iteraciones, simplemente haga clic en el botón Estimar y, si lo desea, aumente
el número máximo de iteraciones. Haga clic en Aceptar para aceptar las opciones y haga clic en Aceptar para comenzar la
estimación. EViews comenzará la estimación utilizando el último conjunto de valores de parámetros como valores iniciales.
Estas opciones también se pueden configurar desde el cuadro de diálogo de opciones globales. Consulte el Apéndice A, “Valores predeterminados
de estimación” en la página 866 para obtener detalles.
métodos derivados
La estimación en EViews requiere el cálculo de las derivadas de la función de regresión con respecto a los parámetros.
En la mayoría de los casos, no necesita preocuparse por la configuración del cálculo de la derivada. El motor de
estimación de EViews empleará expresiones analíticas para las derivadas, si es posible, o calculará derivadas numéricas
altas, cambiando entre un cálculo de menor precisión al principio del procedimiento iterativo y un cálculo de mayor precisión
para las iteraciones posteriores y el cálculo final. Puede optar por utilizar sólo derivados numéricos.
Consulte “Cálculo de derivadas” en la página 1093 para obtener información adicional.
Valores iniciales
Los procedimientos de estimación iterativos requieren valores iniciales para los coeficientes del modelo. Cuanto más se
acerque a los valores reales, mejor, por lo que si tiene conjeturas razonables para los valores de los parámetros, estos
pueden ser útiles. En algunos casos, puede obtener buenos valores iniciales estimando una versión restringida del modelo
usando mínimos cuadrados. En general, sin embargo, es posible que deba experimentar para encontrar los valores iniciales.
No hay reglas generales para seleccionar valores iniciales para parámetros, por lo que no hay ajustes en esta página
para elegir valores. EViews usa los valores en el vector de coeficientes en el
tiempo de inicio del procedimiento de estimación como valores iniciales para el procedimiento iterativo. Es fácil
examinar y cambiar estos valores iniciales de coeficiente. Para ver los valores iniciales actuales, haga doble clic en el
vector de coeficiente en el directorio del archivo de trabajo. Si los valores parecen ser razonables, puede cerrar la
ventana y continuar con la estimación de su modelo.
Si desea cambiar los valores iniciales, primero asegúrese de que la vista de hoja de cálculo de sus coeficientes
esté en modo de edición, luego ingrese los valores de los coeficientes. Cuando haya terminado de establecer los
valores iniciales, cierre la ventana del vector de coeficientes y estime su modelo.
También puede establecer valores de coeficientes iniciales desde la ventana de comandos utilizando el comando
PARAM. Simplemente ingrese la palabra clave PARAM, seguida de cada coeficiente y valor deseado. Por ejemplo,
si su vector de coeficiente predeterminado es C, la declaración:
parámetro c(1) 153 c(2) .68 c(3) .15
establece C(1)=153, C(2)=.68 y C(3)=.15.
Consulte el Apéndice C, “Opciones de estimación y solución” en la página 1089, para obtener más detalles.
Salida de NLS
Una vez que se ha estimado su modelo, EViews muestra una pantalla de salida de ecuación que muestra los
resultados del procedimiento de mínimos cuadrados no lineales. A continuación se muestra el resultado de una
regresión de LOG(CS) en C y la transformación de Box-Cox del PIB utilizando los datos del archivo de trabajo “Chow_-
var.WF1”:
Variable dependiente: LOG(CS)

Método: Mínimos cuadrados (pasos de Gauss-Newton / Marquardt)
Fecha: 09/03/15 Hora: 11:25
Muestra: 1947Q1 1994Q4
Convergencia lograda después de 68 iteraciones
Covarianza del coeficiente calculada utilizando el producto exterior de gradientes
LOG(CS)=C(1)+C(2)*(PIB^C(3)-1)/C(3)
Coeficiente Estándar Error t-estadística problema
C(1) 2.839332 0,281733 10,07810 0,041680 0.0000

C(2) 0.259119 6,216837 0,020335 8,965475 0.0000
C(3) 0.182315 0.0000

de regresión Suma Akaike info 0,112552 Criterio Schwarz -4.572707
cuadrada resid Logaritmo 441,9798 Criterio Hannan-Quinn. -4.521808
de probabilidad Estadístico -4.552093
F Prob(estadístico F) 34393.45 Estadística Durbin-Watson 0.136871
0.000000
Si el procedimiento de estimación ha convergido, EViews informará de este hecho, junto con el número de iteraciones
necesarias. Si el procedimiento iterativo no convergió, EViews informará "Convergencia no lograda después de" seguido
del número de iteraciones intentadas.
Debajo de la línea que describe la convergencia y una descripción del método empleado para calcular las covarianzas
de los coeficientes, EViews repetirá la especificación no lineal para que pueda interpretar fácilmente los coeficientes
estimados de su modelo.
EViews le proporciona todas las estadísticas de resumen habituales para los modelos de regresión. Siempre que su
modelo haya convergido, los resultados estadísticos estándar y las pruebas son asintóticamente válidos.
NLS con errores ARMA

EViews estimará modelos de regresión no lineal con términos de error autorregresivos. Simplemente seleccione Objeto/
Nuevo objeto.../Ecuación... o Rápido/Ecuación estimada... y especifique su modelo usando expresiones EViews,
seguido de un término aditivo que describa la corrección AR entre corchetes. El término AR debe consistir en una asignación
de coeficientes para cada término AR, separados por comas. Por ejemplo, si desea estimar,
c2
CSt ÿÿ c1 PIBt ÿ fuera
(20.39)
c4ut – 2 eÿ tÿ c3ut – 1
ÿ
afuera
debe ingresar la especificación:
cs = c(1) + pib^c(2) + [ar(1)=c(3), ar(2)=c(4)]
Consulte “Inicialización de los errores de AR,” en la página 142 para obtener detalles adicionales. Actualmente, EViews
no estima modelos no lineales con errores MA, ni estima modelos ponderados con términos AR; si agrega términos AR a
un modelo no lineal ponderado, se ignorará la serie de ponderación.
NLS ponderado
Los pesos se pueden usar en la estimación no lineal de manera análoga a los mínimos cuadrados lineales ponderados en
ecuaciones sin términos ARMA. Para estimar una ecuación usando mínimos cuadrados no lineales ponderados, ingrese su
especificación, presione el botón Opciones y complete la especificación de peso.
EViews minimiza la suma de los residuos cuadrados ponderados:

2
Sÿ ÿ segundo
ÿ
ÿ ÿyt–fx( wt t, b)ÿ
ÿ
ÿ y fX – ÿ , fXÿÿÿÿ – ÿ b Wy , b ÿÿ (20.40)
t
b los valores peso

con respecto a los parámetros , donde están de la serie de pesos y la matriz diagonal de pesos. Las En es
condiciones de primer orden están dadas por,

ÿfÿ ÿb
-------------ÿWy –fXÿÿ ÿ , ÿÿb0 (20.41)
ÿb
y la estimación de covarianza corregida de OPG df predeterminada se calcula como:

ˆ –1
S WNLLSs _ ÿ
ÿ 2-------------ÿWÿfÿ
ÿfÿ ÿ b -------------
ÿb (20.42)
ÿ ÿ ÿ ÿb ÿb
y la estimación hessiana correspondiente es

2 –1
2ÿ1ÿ--ÿ Sÿ ÿ segundo
S WNLLSs _ ÿ
(20.43)
ÿ2
-----------------
ÿ ÿ ÿbÿbÿ
para la función objetivo ponderada dada en la Ecuación (20.41).
Por supuesto, se puede optar por calcular un estimador tipo sándwich de White o HAC para la covarianza del coeficiente
como en “Errores estándar robustos”, a partir de la página 32.
Resolución de problemas de estimación
Es posible que EViews no pueda estimar su ecuación no lineal en el primer intento. Algunas veces, el
procedimiento de mínimos cuadrados no lineales se detendrá inmediatamente. Otras veces, EViews puede detener
la estimación después de varias iteraciones sin lograr la convergencia. EViews podría incluso informar que no puede
mejorar las sumas de cuadrados. Si bien no existen reglas específicas sobre cómo proceder si encuentra estos
problemas de estimación, existen algunas áreas generales que quizás desee examinar.
Valores iniciales
Si experimenta problemas con la primera iteración de un procedimiento no lineal, es casi seguro que el problema
esté relacionado con los valores iniciales. Consulte la discusión en “Valores iniciales” en la página 56 para obtener
detalles sobre cómo examinar y cambiar sus valores iniciales.
Identificación del modelo
Si EViews pasa por una serie de iteraciones y luego informa que encuentra una "Matriz casi singular", debe verificar
para asegurarse de que su modelo esté identificado. Se dice que los modelos no están identificados si hay varios
conjuntos de coeficientes que producen de forma idéntica el valor de suma de cuadrados minimizado. Si se cumple
esta condición, es imposible elegir entre los coeficientes sobre la base del criterio de suma mínima de cuadrados.
Por ejemplo, la especificación no lineal:

2
ÿ xt yÿ (20.44)
ÿ
yt b1b2 b2 t
no está identificado, ya que cualquier par de coeficientes

, b1 b2 ÿ ÿ es indistinguible del par ÿ –b1 –
, términos de residuos de suma de cuadrados.
b2 ÿ en
Para una discusión detallada sobre la identificación de modelos de mínimos cuadrados no lineales, consulte Davidson y
MacKinnon (1993, Secciones 2.3, 5.2 y 6.3).
Algoritmo de optimización
En general, la elección del algoritmo de optimización debería tener poco efecto en el cálculo de las estimaciones. Dicho
esto, si tiene problemas, es posible que desee experimentar con diferentes métodos. Además, es posible que desee
experimentar con diferentes optimizadores para asegurarse de que sus estimaciones sean sólidas para la elección del
método de optimización.
Tenga en cuenta que el legado de EViews es una implementación particular de Gauss-Newton con Marquardt o pasos de
búsqueda de línea, y se proporciona para compatibilidad de estimación hacia atrás.
Consulte “Optimización” en la página 55 para obtener más información.
Criterio de Convergencia
EViews puede informar que no puede mejorar las sumas de cuadrados. Este resultado puede ser evidencia de no
identificación o especificación incorrecta del modelo. Alternativamente, puede ser el resultado de establecer su criterio de
convergencia demasiado bajo, lo que puede ocurrir si su especificación no lineal es particularmente compleja.
Si desea cambiar el criterio de convergencia, ingrese el nuevo valor en la pestaña Opciones . Tenga en cuenta que al
aumentar este valor aumenta la posibilidad de que se detenga en un mínimo local y puede ocultar errores de especificación
o no identificación de su modelo.
Consulte “Configuración de las opciones de estimación” en la página 1089 para obtener información relacionada.
Regresión por mínimos cuadrados paso a paso
EViews le permite realizar una selección automática de variables utilizando la regresión por pasos. La regresión paso a
paso permite que algunas o todas las variables en una regresión multivariada lineal estándar se elijan automáticamente,
utilizando varios criterios estadísticos, de un conjunto de variables.
Existe una literatura bastante amplia que describe los beneficios y los inconvenientes de la regresión por pasos. Sin
hacer ninguna recomendación nosotros mismos, remitimos al usuario a Derksen y Keselman (1992), Roecker (1991),
Hurvich y Tsai (1990).
Estimación por mínimos cuadrados paso a paso en EViews
Para realizar un procedimiento de selección paso a paso (STEPLS) en EViews, seleccione Objeto/Nuevo objeto/
Ecuación, o presione Estimar desde la barra de herramientas de una ecuación existente. En el cuadro de diálogo
Especificación de ecuación , seleccione Método: STEPLS - Mínimos cuadrados escalonados. EViews mostrará el
siguiente cuadro de diálogo:
Regresión por mínimos cuadrados paso a paso—61
La página de especificaciones le permite

proporcionar la especificación básica de
regresión STEPLS. En el campo de edición

superior, primero debe especificar la
variable dependiente seguida de las
variables siempre incluidas que desea usar
en la regresión final. Tenga en cuenta que
la ecuación STEPLS debe especificarse

por lista.
Debe introducir una lista de vari

se pueden usar como el conjunto de
variables potencialmente incluidas en el

segundo campo de edición.
A continuación, puede utilizar las Opciones

pestaña para controlar el método de estimación paso a paso.
La parte del método de selección de la
página Opciones se utiliza para especificar

el método STEPLS.
De manera predeterminada, EViews

estimará la especificación paso a paso
utilizando el método Paso a paso

adelante. Para cambiar el método básico,
cambie el menú desplegable Método de
selección ; el menú desplegable le
permite elegir entre: Unidireccional,
Paso a paso, Intercambio inteligente y
Combinatorio.
Los demás elementos de esta pestaña de

diálogo cambiarán según el método que
elija. Para el Unidireccional
y Métodos paso a paso, puede especificar la dirección del método utilizando los botones de opción Adelante y Atrás . Estos
dos métodos le permiten proporcionar un criterio de parada
usando una tolerancia de valor p o estadística t para agregar o eliminar variables. También puede optar por detener los
procedimientos una vez que hayan agregado o eliminado un número específico de
regresores seleccionando la opción Usar número de regresores y proporcionando un número del campo de edición
correspondiente.
También puede establecer el número máximo de pasos que debe realizar el procedimiento. Para establecer el número
máximo de adiciones al modelo, cambie los pasos hacia adelante y para establecer el número máximo de eliminaciones,
cambie los pasos hacia atrás . También puede establecer el número total de adiciones y eliminaciones. En general, es
mejor dejar estos números en un valor alto. Tenga en cuenta, sin embargo, que las rutinas Stepwise tienen el potencial de
agregar y eliminar repetitivamente las mismas variables, y al establecer el número máximo de pasos, puede mitigar este
comportamiento.
El método Swapwise le permite elegir si desea usar Max R-squared o Min R squared, y elegir el número de variables
adicionales que se seleccionarán. el combinatorio
El método simplemente le pide que proporcione el número de variables adicionales. De forma predeterminada, ambos
procedimientos tienen el número de variables adicionales establecido en uno. En ambos casos, esto simplemente elige la
única variable que conducirá al mayor aumento en R-cuadrado.
Para obtener información adicional, consulte “Métodos de selección”, a partir de la página 64.
Por último, cada uno de los métodos le permite elegir una serie de peso para realizar una estimación de mínimos
cuadrados ponderados. Simplemente marque la opción Usar serie de peso , luego ingrese el nombre de la serie de peso
en el campo de edición. Consulte “Mínimos cuadrados ponderados” en la página 47 para obtener más detalles.
Ejemplo
Como ejemplo, usamos el siguiente código para generar un archivo de trabajo con 40 variables independientes (X1–X40)
y una variable dependiente, Y, que es una combinación lineal de una constante, variables X11–X15 y un error aleatorio
normalmente distribuido. término.
crearte 100
rndsemilla 1
grupo xs
para !i=1 a 40
serie x!i=nrnd
%nombre="x"+@str(!i)
xs.añadir {%name}
Siguiente
serie y = nrnd + 3
para !i=11 a 15
y = y + !i*x{!i}
Siguiente
Las 40 variables independientes están contenidas en el grupo XS.

Regresión por mínimos cuadrados paso a paso—63
Dados estos datos, podemos usar una rutina paso a paso hacia adelante para elegir los 5 mejores regresores, después de la
constante, del grupo de 40 en XS. Hacemos esto ingresando "YC" en el primer cuadro de Especificación del cuadro de diálogo
de estimación, y "XS" en el cuadro Lista de regresores de búsqueda . En la sección Criterios de detención de la pestaña
Opciones , marcamos Usar número de regresores e ingresamos "5" como el número de regresores. La estimación de esta
especificación produce los resultados:
Método: Regresión por pasos Fecha:
08/08/09 Hora: 22:39 Muestra: 1 100
Observaciones incluidas: 100 Número
de regresores siempre incluidos: 1
Número de regresores de búsqueda: 40 Método de
selección: Paso a paso hacia delante Criterio de
parada: p -valor adelante/atrás = 0,5/0,5 Criterio de
parada: Número de regresores de búsqueda = 5
Variable Coeficiente Estándar Error t-estadística Prob.*
C 2.973731 0,102755 28.93992 0.0000

X15 14,98849 0,091087 14,01298 164.5517 0.0000
X14 0,091173 11,85221 0,101569 153.6967 0.0000
X12 12,88029 0,102182
0,102758
11,02252 116.6914 0.0000
X13 126.0526 0.0000
X11 107.2664 0.0000
R-cuadrado 0,999211 Media var dependiente 0,999169 -0.992126


de verosimilitud Estadístico -135.5828 Criterio de Hannan-Quinn. 2.894917

F 23802.50 Durbin-W atson stat 1.921653
Resumen de selección
Añadido X15
Añadido X14
Añadido X12
Añadido X13
Añadido X11
*Nota: los valores de p y las pruebas posteriores no tienen en cuenta los pasos
selección.
La parte superior de la salida muestra la especificación de la ecuación e información sobre el método paso a paso. La siguiente
sección muestra la especificación estimada final junto con estimaciones de coeficientes, errores estándar, estadísticos t y valores
p. Tenga en cuenta que la rutina paso a paso eligió los cinco regresores "correctos", X11–X15. La parte inferior de la salida
muestra un resumen de los pasos tomados por el método de selección. Las especificaciones con una gran cantidad de pasos
pueden mostrar solo un breve resumen.
Métodos de selección
EViews le permite especificar las variables que se incluirán como regresores junto con un conjunto de variables a partir de
las cuales el procedimiento de selección elegirá regresores adicionales. El primer conjunto de variables se denominan
variables "siempre incluidas", y las últimas son el conjunto de posibles "variables añadidas". EViews admite varios
procedimientos para seleccionar las variables añadidas.
Uni-direccional-hacia adelante
El método de avance unidireccional utiliza un valor p más bajo o un criterio estadístico t más grande para agregar variables.
El método comienza sin regresores añadidos. Si usamos el criterio del valor p, seleccionamos la variable que tendría el
valor p más bajo si se agregara a la regresión. Si el valor p es más bajo que los criterios de parada especificados, se agrega
la variable. La selección continúa seleccionando la variable con el siguiente valor de p más bajo, dada la inclusión de la
primera variable.
El procedimiento se detiene cuando el valor p más bajo de las variables aún no incluidas es mayor que el criterio de
detención hacia adelante especificado, o el número de pasos hacia adelante o el número de regresores agregados alcanzan
los límites opcionales especificados por el usuario.
Si se utiliza el criterio estadístico t más grande, se seleccionan las mismas variables, pero el criterio de parada se especifica
en términos del valor estadístico en lugar del valor p.
Uni-direccional-hacia atrás
El método unidireccional hacia atrás es análogo al método unidireccional hacia adelante, pero comienza con
todas las posibles variables agregadas incluidas y luego elimina la variable con el valor p más alto. El procedimiento
continúa eliminando la variable con el siguiente valor p más alto, dado que la primera variable ya se eliminó. Este proceso
continúa hasta que el valor p más alto es menor que los criterios de parada hacia atrás especificados, o el número de
pasos hacia atrás o el número de regresores agregados alcanzan los límites opcionales especificados por el usuario.
La estadística t más grande se puede usar en lugar del valor p más bajo como criterio de selección.
Paso a Paso-Adelante
El método Stepwise-Forwards es una combinación de los métodos Uni-direction-Forwards y Backwards. Stepwise-Forwards

comienza sin regresores adicionales en la regresión, luego agrega la variable con el valor p más bajo. A continuación, se
suma la variable con el siguiente valor de p más bajo dado que la primera variable ya se ha elegido. A continuación, las
dos variables añadidas se comparan con el criterio del valor p hacia atrás. Se elimina cualquier variable cuyo valor p sea
mayor que el criterio.
Una vez realizado el paso de eliminación, se añade la siguiente variable. En esto, y en cada adición sucesiva al modelo,
todas las variables añadidas previamente se comparan con el
Regresión por mínimos cuadrados paso a paso: 65
criterio hacia atrás y posiblemente eliminado. La rutina Stepwise-Forwards finaliza cuando el valor p más bajo de las variables
aún no incluidas es mayor que los criterios de parada de avance especificados (o el número de pasos de avance y retroceso
o el número de regresores agregados ha alcanzado el límite opcional especificado por el usuario correspondiente). ).
Puede optar por utilizar la estadística t más grande en lugar del valor p más bajo como criterio de selección.
Paso a paso-hacia atrás
El procedimiento Stepwise-Backwards invierte el método Stepwise-Forwards. Todas las posibles variables añadidas se
incluyen primero en el modelo. La variable con el valor p más alto se elimina primero. La variable con el siguiente valor p más
alto, dada la eliminación de la primera variable, también se elimina. A continuación, las dos variables eliminadas se comparan
con el criterio del valor p directo. Cualquier variable cuyo valor p sea menor que el criterio se vuelve a agregar al modelo.
Una vez realizado el paso de suma, se elimina la siguiente variable. Este proceso continúa donde, en cada eliminación
sucesiva del modelo, todas las variables previamente eliminadas se comparan con el criterio de avance y, potencialmente, se
vuelven a agregar. La rutina Stepwise Backwards finaliza cuando el valor p más grande de las variables dentro del modelo es
menor que el criterio de parada hacia atrás especificado, o el número de pasos hacia adelante y hacia atrás o el número de
regresores alcanza el límite especificado por el usuario opcional correspondiente.
La estadística t más grande se puede usar en lugar del valor p más bajo como criterio de selección.
Incremento R-cuadrado Swapwise-Max
El método Swapwise comienza sin regresores adicionales en el modelo. El procedimiento comienza agregando la variable
que maximiza la regresión resultante R-cuadrado. Luego se suma la variable que conduce al mayor incremento en R-cuadrado.
A continuación, cada una de las dos variables que se han agregado como regresores se compara individualmente con todas
las variables no incluidas en el modelo, calculando si el R-cuadrado podría mejorarse intercambiando la variable "interior" con
una variable "exterior". Si existe tal mejora, entonces la variable "interior" se reemplaza por la variable "exterior". Si existe más
de un swap que mejoraría el R-cuadrado, se realiza el swap que produzca el mayor incremento.
Una vez que se ha realizado un intercambio, el proceso de comparación comienza nuevamente. Una vez que se realizan todas
las comparaciones y posibles intercambios, se agrega una tercera variable, y se elige la variable que produce el mayor aumento
en R-cuadrado. Las tres variables dentro del modelo se comparan luego con todas las variables fuera del modelo y se realizan
los intercambios crecientes de R-cuadrado. Este proceso continúa hasta que el número de variables añadidas al modelo
alcanza el límite especificado por el usuario.
Incremento de R-cuadrado de Swapwise-Min
El método Swapwise Min R-squared es muy similar al método Max R-squared. La diferencia radica en el procedimiento de
intercambio. Mientras que Max R-squared intercambia las variables que conducirían al mayor aumento en R-squared, el
método Min R-squared realiza un intercambio basado en el aumento más pequeño. Esto puede conducir a un proceso de
selección más largo, con un mayor número de combinaciones de variables comparadas.
Combinacional
Para un número determinado de variables agregadas, el método combinatorio evalúa todas las combinaciones posibles de
variables agregadas y selecciona la combinación que conduce a la mayor R cuadrada en una regresión utilizando las
variables agregadas y siempre incluidas como regresores. Este método es más completo que los métodos anteriores, ya
que esos métodos no comparan todas las combinaciones posibles de variables y, obviamente, requieren cálculos
adicionales.
Con un gran número de posibles variables añadidas, el enfoque combinatorio puede tardar mucho tiempo en completarse.
Problemas con la estimación paso a paso
El conjunto de variables de búsqueda puede contener variables que son combinaciones lineales de otras variables en la
regresión (ya sea en la lista siempre incluida o en el conjunto de búsqueda). EViews eliminará esas variables del conjunto
de búsqueda. En caso de que dos o más de las variables de búsqueda sean colineales, EViews seleccionará la variable
listada primero en la lista de variables de búsqueda.
Siguiendo el proceso de selección Stepwise, EViews informa los resultados de la regresión final, es decir , la regresión de
las variables siempre incluidas y seleccionadas en la variable dependiente. En algunos casos, la muestra utilizada en esta
ecuación puede no coincidir con la regresión que se utilizó durante el proceso de selección. Esto ocurrirá si algunas de las
variables de búsqueda omitidas tienen valores faltantes para algunas observaciones que no tienen valores faltantes en la
regresión final. En tales casos, EViews imprimirá una advertencia en la salida de la regresión.
Los valores p enumerados en el resultado de la regresión final y todos los procedimientos de prueba posteriores no tienen
en cuenta las regresiones que se ejecutaron durante el proceso de selección. Uno debe tener cuidado de interpretar los
resultados en consecuencia.
La inferencia inválida es sólo una de las razones por las que la regresión por pasos y otros métodos de selección de
variables tienen un gran número de críticos entre los estadísticos. Otros problemas incluyen un R-cuadrado final sesgado
hacia arriba, estimaciones de coeficientes posiblemente sesgadas hacia arriba e intervalos de confianza estrechos. También
se suele señalar que los propios métodos de selección utilizan estadísticas que no tienen en cuenta el proceso de selección.
Referencias—67
Referencias
Amemiya, Takeshi (1983). “Modelos de regresión no lineal”, Capítulo 6 en Z. Griliches y MD Intriligator
(eds.), Handbook of Econometrics, volumen 1, Ámsterdam: Elsevier Science Publishers BV
Cameron, A. Colin, Gelbach, Jonah B. y Douglas L. Miller (2011). “Inferencia Robusta con Multiway
Agrupación”, Journal of Business & Economic Statistics, 29, 238–249.
Cameron, A. Colin y Douglas L. Miller (2015). “Guía del profesional para la inferencia robusta en clústeres”,
Revista de Recursos Humanos, 50, 317–337.
Cribari-Neto, Francisco (2004). "Inferencia asintótica bajo heteroscedasticidad de forma desconocida", Com
Estadísticas putacionales y análisis de datos, 45, 215–233
Cribari-Neto, Francisco y Wilton Bernardino da Silva (2011). “Una nueva heteroscedasticidad consistente
estimador de matriz de covarianza para el modelo de regresión lineal”, AStA Advances in Statistical Analysis, 95, 129–
148.
Cribari-Neto, Francisco, Souza, Tatiene C. y Klaus LP Vasconcellos (2007), “Inference Under Het
eroscedasticidad y datos apalancados”, Communications in Statistics - Theory and Methods, 36, 1877–
1888.
Cribari-Neto, Francisco, Souza, Tatiene C. y Klaus LP Vasconcellos (2008), “Errata: Inference Under Heteroskedasticity and
Leveraged Data”, Communications in Statistics - Theory and Methods, 37, 3329–3330.
Davidson, Russell y James G. MacKinnon (1993). Estimación e Inferencia en Econometría, Oxford:

Prensa de la Universidad de Oxford.
Derksen, S. y HJ Keselman (1992). “Selección automática de subconjuntos hacia atrás, hacia adelante y paso a paso
Algoritmos: frecuencia de obtención de variables auténticas y de ruido”, British Journal of Mathematical and Statistical
Psychology, 45, 265–282.
Justo, Ray C. (1970). “La estimación de modelos de ecuaciones simultáneas con variables endógenas rezagadas
y errores correlacionados en serie de primer orden”, Econometrica, 38, 507–516.
Justo, Ray C. (1984). Especificación, estimación y análisis de modelos macroeconométricos, Cambridge, MA: Harvard
University Press.
Harrison, D. y DL Rubinfeld (1978). “Los precios hedónicos de la vivienda y la demanda de aire limpio”, Journal
de Economía y Gestión Ambiental, 5, 81-102.
Hurvich, CM y CL Tsai (1990). "El impacto de la selección de modelos en la inferencia en la regresión lineal",
Estadístico estadounidense, 44, 214–217.
Colina.
Liang, Kung-Yee y Scott L. Zeger (1986). “Análisis de datos longitudinales utilizando lineal generalizado
Modelos”, Biometrics, 73, 13–22.
Long, J. Scott y Laurie Ervin (2000). “Uso de errores estándar consistentes de heteroscedasticidad en el
Modelo de regresión”, The American Statistician, 54, 217–224.
MacKinnon, James G. y Halbert White (1985). “Alguna matriz de covarianza consistente con heteroscedasticidad
Estimadores con propiedades mejoradas de muestras finitas”, Journal of Econometrics, 29, 53–57.
Newey, Whitney y Kenneth West (1987a). “Prueba de Hipótesis con Método Eficiente de Momentos Esti
mación”, International Economic Review, 28, 777–787.
Newey, Whitney y Kenneth West (1987b). “Una matriz de covarianza consistente simple positiva semidefinida,
heterocedasticidad y autocorrelación”, Econometrica, 55, 703–708.
Petersen, M. (2009), "Estimación de errores estándar en conjuntos de datos de panel de finanzas: comparación de enfoques"
Revisión de estudios financieros, 22, 435–480.
Roecker, EB (1991). "Error de predicción y su estimación para modelos de selección de subconjuntos" , Technometrics,
33, 459–469.
Tauchen, George (1986). “Propiedades estadísticas de los estimadores generalizados del método de momentos de Struc
Parámetros culturales obtenidos de los datos del mercado financiero”, Journal of Business & Economic Statistics, 4, 397–416.
Thompson, Samuel B. (2011). “Fórmulas simples para errores estándar que se agrupan tanto por empresa como por tiempo,”
Revista de economía financiera, 99, 1–10.
White, Halbert (1980). “Una matriz de covarianza consistente con heteroscedasticidad y una prueba directa para heteroskedasticidad
dasticidad”, Econometrica, 48, 817–838.
Wooldridge, Jeffrey M. (2000). Econometría introductoria: un enfoque moderno. Cincinnati, OH: Publicación de South Western
College.
Wooldridge, Jeffrey M. (2003). “Cluster-Sample Methods in Applied Econometrics”, The American Economic Review, 93, 133–138.
Capítulo 21. Variables instrumentales y GMM
En este capítulo, se describen las herramientas de EViews para estimar una sola ecuación utilizando
mínimos cuadrados de dos etapas (TSLS), probabilidad máxima de información limitada (LIML), estimación
de clase K y método generalizado de momentos (GMM).
Existen innumerables referencias para las técnicas descritas en este capítulo. Los ejemplos notables de libros
de texto incluyen Hayashi (2000), Hamilton (1994), Davidson y MacKinnon (1993). Se pueden encontrar
tratamientos menos técnicos en Stock y Watson (2007) y Johnston y DiNardo (1997).
Fondo
Una suposición fundamental del análisis de regresión es que las variables del lado derecho no están
correlacionadas con el término de perturbación. Si se viola esta suposición, tanto OLS como LS ponderado
están sesgados y son inconsistentes.
Hay una serie de situaciones en las que algunas de las variables del lado derecho están correlacionadas con
perturbaciones. Algunos ejemplos clásicos ocurren cuando:
• Hay variables determinadas endógenamente en el lado derecho de la ecuación.
• Las variables del lado derecho se miden con error.
Para simplificar, nos referiremos a las variables que están correlacionadas con los residuales como
endógenas ya las variables que no están correlacionadas con los residuales como exógenas o predeterminadas.
El enfoque estándar en los casos en que las variables del lado derecho están correlacionadas con los
residuos es estimar la ecuación utilizando la regresión de variables instrumentales . La idea detrás de
las variables instrumentales es encontrar un conjunto de variables, denominadas instrumentos, que estén (1)
correlacionadas con las variables explicativas en la ecuación y (2) no correlacionadas con las perturbaciones.
Estos instrumentos se utilizan para eliminar la correlación entre las variables del lado derecho y las
perturbaciones.
Hay muchos enfoques diferentes para usar instrumentos para eliminar el efecto de la correlación variable y
residual. EViews ofrece tres tipos básicos de estimadores de variables instrumentales: mínimos cuadrados
de dos etapas (TSLS), estimación de máxima verosimilitud de información limitada y estimación de clase K
(LIML) y método generalizado de momentos (GMM).
Mínimos cuadrados de dos etapas

Los mínimos cuadrados en dos etapas (TSLS) son un caso especial de regresión de variables instrumentales.
Como sugiere el nombre, hay dos etapas distintas en los mínimos cuadrados de dos etapas. En la primera
etapa, TSLS encuentra las porciones de las variables endógenas y exógenas que se pueden atribuir a
70—Capítulo 21. Variables instrumentales y GMM
los instrumentos. Esta etapa consiste en estimar una regresión MCO de cada variable del modelo sobre el
conjunto de instrumentos. La segunda etapa es una regresión de la ecuación original, con todas las variables
reemplazadas por los valores ajustados de las regresiones de la primera etapa. Los coeficientes de esta regresión
son las estimaciones de TSLS.
No necesita preocuparse por las etapas separadas de TSLS ya que EViews estimará ambas etapas simultáneamente
DE
utilizando técnicas de variables instrumentales. Más formalmente, sea la matriz y X
de instrumentos, y sean y las variables dependientes y explicativas. La función objetivo lineal TSLS viene dada
por:
ÿ
–1
W bÿ ÿ ÿ ZÿÿZÿ
y X–
ÿ ÿZb Zÿÿ y X– b ÿ (21.1)
Entonces, los coeficientes calculados en mínimos cuadrados en dos etapas están dados por,
–1 –1 –1
ÿ
ÿ bTSLS XÿZ Zÿ ÿ ÿZ ÿ ZÿX XÿZ Zÿ ÿ ÿZ Zÿy , (21.2)
y la matriz de covarianza estimada estándar de estos coeficientes se puede calcular usando:

2 –1 –1
S TSLS _ ÿ
ÿ XÿZ Zÿ ÿ ÿZ ÿ ZÿX , (21.3)
2
donde essla varianza residual estimada (cuadrado del error estándar de la regresión).
2
s
Si se desea, puede ser reemplazado por el estimador corregido no df. Tenga en cuenta también que EViews
ofrece opciones de matriz de covarianza blanca y HAC para mínimos cuadrados de dos etapas.
Estimación de TSLS en EViews
Para estimar una ecuación utilizando

mínimos cuadrados en dos etapas,
abra el cuadro de especificación de la
ecuación seleccionando Objeto/Nuevo
objeto.../Ecuación... o Rápido/
Estimar ecuación...
Elija TSLS del Método:
menú desplegable y el cuadro de

diálogo cambiará para incluir una
ventana de edición donde enumerará
los instrumentos.
Alternativamente, escriba la palabra

clave tsls en la ventana de comandos
y presione ENTER.
En la especificación de la ecuación
cuadro de edición, especifique su
variable dependiente y las variables
independientes e ingrese una lista de instrumentos en el cuadro de edición de la lista de instrumentos.
Mínimos cuadrados de dos etapas: 71
Hay algunas cosas que debe tener en cuenta al ingresar sus instrumentos:
• Para calcular las estimaciones de TSLS, su especificación debe cumplir con las condiciones del pedido.
ción para la identificación, que dice que debe haber al menos tantos instrumentos como coeficientes en su ecuación.
Hay una condición de rango adicional que también debe cumplirse. Ver Davidson y MacKinnon (1993) y Johnston y
DiNardo (1997) para una discusión adicional.
• Por razones econométricas que no abordaremos aquí, todas las variables del lado derecho que no estén
correlacionadas con las perturbaciones deben incluirse como instrumentos.
• EViews, por defecto, agregará una constante a la lista de instrumentos. Si no desea un

constante que se agregará a la lista de instrumentos, la casilla de verificación Incluir una constante debe estar
desmarcada.
Para ilustrar la estimación de mínimos cuadrados en dos etapas, usamos un ejemplo de Stock y Watson 2007 (p. 438), que
estima la demanda de cigarrillos en los Estados Unidos en 1995. (Los datos están disponibles en el archivo de trabajo
“Sw_cig. WF1”.) La variable dependiente es el logaritmo per cápita de paquetes vendidos LOG(PACKPC). Las variables
exógenas son una constante, C, y el logaritmo de la renta estatal real per cápita LOG(PERINC). La variable endógena es el
logaritmo del precio real después de impuestos por paquete LOG(RAVGPRC). Los instrumentos adicionales son el impuesto
estatal promedio a las ventas RTAXSO y los impuestos específicos a los cigarrillos RTAXS. Stock y Watson utilizan el estimador
de covarianza de White para los errores estándar.
La especificación de la ecuación es entonces,
log(packpc) c log(ravgprs) log(perinc)
y la lista de instrumentos es:
c log(perinc) rtaxso rtaxs
Esta especificación satisface la condición de orden para la identificación, que requiere que haya al menos tantos instrumentos
(cuatro) como coeficientes (tres) en la especificación de la ecuación. Tenga en cuenta que enumerar C como un instrumento
es redundante, ya que, de manera predeterminada, EViews lo agrega automáticamente a la lista de instrumentos.
Para especificar el uso de errores estándar robustos de heteroscedasticidad de White,

seleccionaremos White en la matriz de Coeficiente de covarianza
menú desplegable en la pestaña Opciones . Por defecto, EViews estimará usando el

método Ordinario con Ajuste df como se especifica en la Ecuación (21.3).
Salida de TSLS
A continuación mostramos el resultado de una regresión de LOG(PACKPC) en una constante y LOG(RAVGPRS)
y LOG(PERINC), con la lista de instrumentos “LOG(PERINC) RTAXSO RTAXS”.
Variable dependiente: LOG(PACKPC)

Método: mínimos cuadrados de dos etapas
Fecha: 15/04/09 Hora: 14:17
Muestra: 1 48
Errores estándar y covarianza consistentes con la heteroscedasticidad blanca
Especificación del instrumento: LOG(PERINC) RTAXSO RTAXS
Constante añadido a la lista de instrumentos
C 9.894956 REGISTRO 0,959217 10,31566 0,249610 0.0000

(RAVGPRS) -1.277424 REGISTRO -5,117680 0,253890 1,104436 0.0000
(PERINC) 0.280405 0.2753
R-cuadrado 0,429422 Var dependiente media 0,404063 4.538837

R-cuadrado ajustado SE Var dependiente SD 0,187856 Resid de 0.243346
de regresión F-estadística suma cuadrada 13,28079 Durbin-Watson 1.588044

Prob(F-estadística) stat 0,000029 Segunda etapa SSR 4 J- 1.946351
statistic 1.845868
Rango de instrumento 0.311833
Prob (estadística J) 0.576557
EViews identifica el procedimiento de estimación, así como la lista de instrumentos en el encabezado.

Esta información es seguida por el coeficiente habitual, las estadísticas t y los valores p asintóticos.
Las estadísticas de resumen informadas en la parte inferior de la tabla se calculan mediante las fórmulas
descritas en "Estadísticas de resumen" en la página 13. Tenga en cuenta que todas las estadísticas informadas
son solo asintóticamente válidas. Para una discusión de las propiedades de muestra finita de TSLS, consulte
John ston y DiNardo (1997, p. 355–358) o Davidson y MacKinnon (1993, p. 221–224).
Se informan otras tres estadísticas de resumen: "Rango del instrumento", "Estadística J" y "Prob (estadística
J)". El rango del instrumento es simplemente el rango de la matriz del instrumento y es igual al número de
instrumentos utilizados en la estimación. El estadístico J se calcula como:
1 –1
--- uÿZ s2 ÿ ÿ ZÿZ Tÿ Zÿu (21.4)
T
donde están
en los residuos de la regresión. Consulte “Método generalizado de los momentos”, a partir de la página
81, para obtener información adicional sobre el estadístico J.
EViews utiliza los residuos estructurales ut ÿ-

yt xtÿbTSLS en el cálculo de las estadísticas de resumen. Por
ejemplo, el estimador predeterminado del error estándar de la regresión utilizado en el cálculo de la covarianza es:
2 2
segundos
ÿÿ fuera ÿÿÿTk– . (21.5)

t
Estos residuales estructurales, o de regresión, deben distinguirse de los residuales de la segunda etapa
que obtendría de la regresión de la segunda etapa si realmente calculara las estimaciones de mínimos
cuadrados de dos etapas en dos etapas separadas. Los residuos de la segunda etapa son
dada por u˜t ÿ-

yt considerar bTSLS
, donde y son los
ytvalores ajustados
xˆt de la primera etapa
regresiones.
Le advertimos que algunas de las estadísticas reportadas deben interpretarse con cuidado. Por ejemplo, dado que
diferentes especificaciones de ecuaciones tendrán diferentes listas de instrumentos, el R2
informado para TSLS puede ser negativo incluso cuando hay una constante en la ecuación.
TSLS con errores AR

Puede ajustar sus estimaciones de TSLS para tener en cuenta la correlación serial agregando términos AR a la
especificación de su ecuación. EViews transformará automáticamente el modelo en un problema de mínimos cuadrados
no lineales y estimará el modelo utilizando variables instrumentales. Los detalles de este procedimiento se pueden
encontrar en Fair (1984, p. 210-214). La salida de TSLS con una especificación AR(1) que utiliza la configuración
predeterminada con una tolerancia de convergencia más estricta tiene el siguiente aspecto:
Variable dependiente: LOG(PACKPC)

Método: mínimos cuadrados de dos etapas
Fecha: 25/08/09 Hora: 15:04
Muestra (ajustada): 2 48
Errores estándar y covarianza consistentes con la heteroscedasticidad blanca
Especificación del instrumento: LOG(PERINC) RTAXSO RTAXS
Constante añadido a la lista de instrumentos
Variable dependiente rezagada y regresores agregados a la lista de instrumentos
C 10.02006 REGISTRO(RAVGPRS) 0,996752 10,05272 0,271683 0.0000

-1.309245 REGISTRO(PERINC) 0.291047 -4,819022 0,290818 0,133425 0.0000
AR(1) 0.026532 1.000785 0.3225

0.198852 0.8433
R-cuadrado ajustado SE Var dependiente SD 0,191584 Resid al 0.245709
de regresión Durbin- cuadrado de la suma 1,951380 Rango del 1.578284

Watson stat instrumento 1,494632 Prob (estadística J) 7
J-estadística 0.683510
Raíces AR invertidas .03
El botón Opciones en el cuadro de estimación se puede utilizar para cambiar el límite de iteración y el criterio de
convergencia para el procedimiento de variables instrumentales no lineales.
Errores AR de primer orden
Supongamos que su especificación es:
yt xt ÿ ÿb ÿ ÿ wtg ut
(21.6)
ÿ
ut r1ut – 1 e t ÿ
donde es xt
un vector de variables endógenas, y es un vector de variables predeterminadas, que, en este contexto, puede
peso
incluir rezagos de la variable dependiente. es un vector de variables instrumentales no en zt

wt que es lo suficientemente grande para identificar los parámetros de la
modelo.
En este contexto, hay cuestiones técnicas importantes que deben plantearse en relación con la elección de
los instrumentos. En un resultado ampliamente citado, Fair (1970) muestra que si el modelo se estima utilizando
un procedimiento iterativo de Cochrane-Orcutt, todas las variables rezagadas del lado derecho e izquierdo ÿ ÿ yt
,
– 1 xt – 1 wt – 1 tent estimados. , este caso,debe
En la lista
estarde instrumentos
incluido debe
en la lista incluir:
de instrumentos para obtener consistencia
,, , , –1 .
ÿ ÿ peso zt yt – 1 xt – 1 peso (21.7)
EViews estima el modelo como un modelo de regresión no lineal para que no se aplique la advertencia de Fair. Sin embargo,
la estimación del modelo requiere la especificación de instrumentos adicionales para satisfacer la condición de orden de
instrumentos para la especificación transformada. Por defecto, los instrumentos de primera etapa empleados en TSLS se
forman como si se estuviera ejecutando Cochrane Orcutt utilizando la prescripción de Fair. Por lo tanto, si omite los términos
rezagados del lado izquierdo y derecho de la lista de instrumentos, EViews, por defecto, agregará automáticamente los
términos rezagados como instrumentos. Esta adición se anotará en su salida.
En su lugar, puede indicar a EViews que no agregue los términos rezagados del lado izquierdo y derecho como
instrumentos. En este caso, usted es responsable de agregar suficientes instrumentos para garantizar que se cumpla la
condición del pedido.
Errores AR de orden superior
Los resultados de AR(1) se extienden naturalmente a especificaciones que implican una correlación serial de orden superior.
Por ejemplo, si incluye un único término AR(4) en su modelo, la lista de instrumentos naturales será:
,, , , –4
ÿ ÿ peso zt yt – 4 xt – 4 peso (21.8)
Si incluye los términos AR del 1 al 4, una posible lista de instrumentos es:
,, , , ÿ xt – 4 wt – 1, , ÿ, wt – 4
ÿ ÿ wt zt yt – 1, , ÿ yt – 4 xt – 1, (21.9)
Tenga en cuenta que, si bien es conceptualmente válida, esta lista de instrumentos tiene una gran cantidad de instrumentos
sobreidentificados, lo que puede conducir a dificultades computacionales y sesgos de muestras finitas grandes (Fair (1984,
p. 214), Davidson y MacKinnon (1993, p. 222-224) ). En teoría, agregar instrumentos siempre debería mejorar sus
estimaciones, pero en la práctica esto puede no ser así en muestras pequeñas.
En este caso, es posible que desee desactivar la adición automática de instrumentos de retardo y manejar la especificación
de instrumentos adicionales directamente.
Ejemplos
Suponga que desea estimar la función de consumo por mínimos cuadrados de dos etapas, lo que permite una correlación
serial de primer orden. Luego puede usar mínimos cuadrados en dos etapas con la lista de variables,
contras c pib ar(1)
y lista de instrumentos:
c gov log(m1) tiempo contras(-1) pib(-1)
Observe que los rezagos de las variables dependiente y endógena (CONS(–1) y GDP(–
1)), están incluidos en la lista de instrumentos.
Del mismo modo, considere la función de consumo:
contras c contras(-1) pib ar(1)
Una lista válida de instrumentos viene dada por:
c gov log(m1) tiempo contras(-1) contras(-2) pib(-1)
Aquí tratamos las variables rezagadas del lado izquierdo y derecho de la especificación original como predeterminadas y
agregamos los valores rezagados a la lista de instrumentos.
Por último, considere la especificación:
contras c pib ar(1 a 4)
Agregando todos los instrumentos relevantes en la lista, tenemos:
c gov log(m1) tiempo contras(-1) contras(-2) contras(-3) contras(-4) pib(-1) pib(-2) pib(-3) pib(-4)
TSLS con errores MA

También puede estimar problemas variables de mínimos cuadrados de dos etapas con términos de error MA de varios órdenes.
Para tener en cuenta la presencia de errores MA, simplemente agregue los términos apropiados a su especificación antes de la
estimación.
Ilustración
Suponga que desea estimar la función de consumo por mínimos cuadrados de dos etapas, teniendo en cuenta los errores
de promedio móvil de primer orden. Luego puede usar mínimos cuadrados en dos etapas con la lista de variables,
contras c pib ma(1)
y lista de instrumentos:
c gov log(m1) tiempo
EViews agregará tanto el primer como el segundo retraso de CONS y GDP a la lista de instrumentos.
Detalles técnicos
La mayoría de los detalles técnicos son idénticos a los descritos anteriormente para los errores de AR.
EViews transforma el modelo que es no lineal en parámetros (empleando retrospectiva, si corresponde) y
luego estima el modelo utilizando técnicas de variables instrumentales no lineales.
Recuerde que, de forma predeterminada, EViews aumenta la lista de instrumentos agregando variables
dependientes y regresoras retrasadas correspondientes a los retrasos AR. Tenga en cuenta, sin embargo, que
cada término MA implica un número infinito de términos AR. Claramente, es imposible agregar un número
infinito de retrasos a la lista de instrumentos, por lo que EViews realiza una aproximación ad hoc agregando
un conjunto truncado de instrumentos que involucran el orden MA y un retraso adicional. Si, por ejemplo, tiene
un MA(5), EViews agregará instrumentos retrasados correspondientes a los retrasos 5 y 6.
Por supuesto, puede indicar a EViews que no agregue instrumentos adicionales. En este caso, usted es
responsable de agregar suficientes instrumentos para garantizar que se cumpla la condición de pedido de
instrumentos.
Mínimos cuadrados no lineales de dos etapas
Los mínimos cuadrados no lineales de dos etapas se refieren a un procedimiento de variables instrumentales
para estimar modelos de regresión no lineal que involucran funciones de variables y parámetros endógenos y
exógenos. Supongamos que tenemos el modelo de regresión no lineal habitual:
ÿ
yt f x( ) sert , ÿ , (21.10)
t
k -dimensional de parámetros, y contiene tanto exógenos como xt

donde esbun vector
,
variables endógenas. En forma matricial, si tenemos instrumentos mk ÿ mínimos cuadrados no lineales de
zt
dos etapas minimiza:
–1
W bÿ ÿ
ÿ
ÿ y fX – ÿ , ÿÿÿb Z Zÿ ÿ ÿZ Zÿÿ y fX – ÿ bÿ , ÿ (21.11)
con respecto a la elección de . b
Si bien no existe una solución de forma cerrada para las estimaciones de parámetros, las estimaciones de parámetros
satisfacen las condiciones de primer orden:
–1
Gÿ ÿÿ b Z Zÿ ÿ ÿZ Zÿÿ y fX – ÿ , ÿ segundo
ÿ ÿ0 (21.12)
con covarianza estimada dada por:

ˆ 2 –1 –1
S TSNLLS _ ÿ . (21.13)
ÿ G bTSNLLS ÿ ÿÿZ Zÿ ÿ ÿZ ZÿG bTSNLLS
ÿ ÿÿ
Cómo estimar TSLS no lineal en EViews

Para estimar una ecuación no lineal usando TSLS, simplemente seleccione Objeto/Nuevo objeto.../
Ecuación... o Rápido/Estimar ecuación... Elija TSLS en el menú desplegable Método , ingrese su
especificación no lineal y la lista de instrumentos. Haga clic en Aceptar.
Información limitada Máxima verosimilitud y estimación de clase K—77
Con la estimación no lineal de mínimos cuadrados en dos etapas, tiene una gran flexibilidad con su elección de
instrumentos. Intuitivamente, desea instrumentos que estén correlacionados con los derivados
Gÿ ÿ b . Dado que no es lineal, puede comenzar a pensar en usar más que solo las variables
GRAMO
exógenas y predeterminadas como instrumentos. Varias funciones no lineales de estas variables, por ejemplo,
productos cruzados y potencias, también pueden ser instrumentos válidos. Sin embargo, se debe tener en cuenta
los posibles sesgos de muestras finitas que resultan del uso de demasiados instrumentos.
Mínimos cuadrados no lineales de dos etapas con errores ARMA
Si bien no entraremos en muchos detalles aquí, tenga en cuenta que EViews puede estimar modelos TSLS no
lineales donde hay términos de error ARMA.
Para estimar su modelo, simplemente abra la ventana de especificación de su ecuación e ingrese su

especificación no lineal, incluidos todos los términos ARMA, y proporcione su lista de instrumentos. Por
ejemplo, podría ingresar la especificación de regresión:
cs = exp(c(1) + pib^c(2)) + [ar(1)=c(3), ma(1)=c(4)]
con la lista de instrumentos:
gobierno c
EViews transformará el modelo de regresión no lineal como se describe en “Especificación de términos

AR” en la página 112 y luego estimará el TSLS no lineal en la especificación transformada. Para modelos no
lineales con errores AR, EViews utiliza un algoritmo de Gauss-Newton. Consulte “Algoritmos de optimización” en
la página 1095 para obtener más detalles.
Mínimos cuadrados de dos etapas no lineales ponderados
Los pesos se pueden utilizar en la estimación no lineal de mínimos cuadrados en dos etapas, siempre que no
haya términos ARMA. Simplemente agregue ponderación a su especificación TSLS no lineal anterior presionando
el botón Opciones e ingresando la especificación de ponderación (consulte “Mínimos cuadrados ponderados” en
la página 47).
La función objetivo para TSLS ponderado es,

–1
ÿ . (21.14)
W bÿ ÿ ÿ y fX – ÿ ÿ , ÿÿ
WÿZb Zÿ ÿ ÿWZ ZÿWÿÿ y fX – ÿ b ÿ , ÿ
Los errores estándar informados por defecto se basan en la estimación de la matriz de covarianza dada por:
2 –1 –1
S WTSNLLS s ÿ
ÿ G bÿ ÿÿWZ Zÿ ÿ ÿWZ ÿ ZÿWG bÿ ÿ (21.15)
donde bb ÿ .
WTSNLLS
Información limitada Máxima probabilidad y estimación de clase K
Limited Information Maximum Likelihood (LIML) es una forma de estimación de variables instrumentales bastante
similar a TSLS. Al igual que con TSLS, LIML utiliza instrumentos para rectificar el problema.
Problema en el que una o más de las variables del lado derecho de la regresión están correlacionadas con los
residuos.
LIML fue introducido por primera vez por Anderson y Rubin (1949), antes de la introducción de mínimos cuadrados
en dos etapas. Sin embargo, tradicionalmente TSLS ha sido favorecido por los investigadores sobre LIML como
método de estimación de variables instrumentales. Si la ecuación se identifica exactamente, LIML y TSLS serán
numéricamente idénticos. Sin embargo, estudios recientes (por ejemplo, Hahn e Inoue 2002) han encontrado que
LIML funciona mejor que TSLS en situaciones donde hay muchos instrumentos "débiles".
El estimador LIML lineal minimiza

–1
ÿ ZÿÿZÿ
y X–
ÿ ÿZb Zÿÿ y X– b ÿ
W bÿ ÿ T ÿ ------------------------------------------------- ----------------------------
(21.16)
ÿ ÿÿÿy yX–
X–b bÿ
con respecto a las b , donde y es la variable dependiente, X son variables explicativas y Z son
variables instrumentales.
Computacionalmente, a menudo es más fácil escribir este problema de minimización en una forma ligeramente
diferente. Sea W yX ÿ ÿ ÿ , y b˜ ÿ ÿ ÿÿ –1, b . Entonces la función objetivo LIML lineal puede ser
Escrito como:
–1
b˜ ÿWÿZ Zÿ ÿ ÿZ ZÿWb˜
W bÿ ÿ T ÿ ------------------------------------------------- ----
(21.17)
b˜ ÿWÿWb˜
–1 –1
yo valor propio más pequeño de ÿ ÿ WÿW WÿZ Zÿ ÿ ÿZ es el
Sea el ZÿW . El estimador LIML de b
vector propio correspondiente a l , con una normalización tal que el primer elemento del vector propio
sea igual a -1.
El estimador LIML no lineal maximiza la función de verosimilitud concentrada:
T – –1
L ÿ – ÿ --- logÿ ÿ uÿu ÿ log XÿAX XÿAZ Zÿ ÿ ÿAZ ZÿAX ÿ (21.18)
2
–1
donde estas f Xÿ ÿ son los residuos de regresión y ÿ-
AI uuÿ ÿ ÿu b yt ÿ – uÿ .
t,
La estimación por defecto de la matriz de covarianza de los estimadores de variables instrumentales viene dada
por la estimación TSLS en la Ecuación (21.3).
Clase K
La estimación K-Class es una tercera forma de estimación de variables instrumentales; de hecho, TSLS y LIML son
casos especiales de estimación de Clase K. La función objetivo lineal de clase K es, para un k fijo
, dada por:
–
W bÿ ÿ
ÿ
ÿ Iÿÿ ÿ y ÿX–
kMZ ÿ yb X– b ÿ (21.19)
El estimador de clase K correspondiente se puede escribir como:

–1 –
ÿ
ÿÿ
– Xÿ
Xÿ I kMZ ÿ _ Xÿ Iÿ kMZ ÿ y (21.20)
bk
Información limitada Máxima verosimilitud y estimación de clase K—79
–1 –1
–
ÿ
PZ Z Zÿ ÿ ÿZ donde Zÿ MZ I ZZÿ ÿ ÿZ y
ÿ ÿ-
Zÿ I PZ .
Si k ÿ 1 , entonces el estimador K-Class es el estimador TSLS. Si k ÿ 0 , entonces el K-Class esti

el factor es MCO. LIML es un estimador de clase K con lo kÿl , el valor propio mínimo descrito
anterior.
El estimador de matriz de covarianza de clase K obvio está dado por:

2 –1
Sk ÿ
segundos
ÿ ÿXÿ
– Xÿ
I kMZ ÿ _ (21.21)
Bekker (1994) ofrece un estimador de matriz de covarianza para estimadores de clase K con términos de error
normales que es más robusto para instrumentos débiles. La estimación de la matriz de covarianza de Bekker
viene dada por:
S MESA DE TRABAJO
ÿ H–1 S˜ H–1
(21.22)
dónde
HX ÿ ÿPZX – aÿ ÿ XÿX
2 2 (21.23)
S˜ ÿ ÿ ÿ ÿ 1 – un
segundos
X˜ ÿPZX˜ a2 ÿ ÿ X˜ ÿMZX˜
por
uÿPZu uuÿX
a ÿ ---------------
y X˜ X ÿ – -------------
.
uÿu uÿu
Hansen, Hausman y Newey (2006) ofrecen una extensión de la estimación de la matriz de covarianza de
Bekker para casos con términos de error no normales.
Estimación de LIML y K-Class en EViews

Para estimar una ecuación LIML o K-Class en EViews, cree una ecuación seleccionando Objeto/
New Object…/Equation... o Quick/Estimate Equation, y seleccione LIML en el cuadro Método .
Alternativamente, puede ingresar la palabra clave liml en la ventana de comandos y luego presionar ENTER.
En el cuadro de edición
Especificación de ecuación ,
especifique su variable dependiente
y variables exógenas, y en el cuadro
de edición Lista de instrumentos ,
proporcione una lista de instrumentos.

Las variables endógenas deben
ingresarse
tanto en el cuadro de especificación

de Ecuación como en el
Cuadro de lista de instrumentos .
Para la estimación de Clase K,

k
ingrese el valor de en el cuadro con
la etiqueta K (déjelo en blanco para

LIML). Si no se ingresa ningún valor
en este cuadro, se realiza LIML.
Si desea estimar una ecuación

no lineal, ingrese la expresión para
la ecuación no lineal en el cuadro de especificación de la ecuación . Tenga en cuenta que actualmente no se permite
la estimación de Clase K no lineal; solo se puede realizar LIML no lineal.
Si no desea incluir una constante como uno de los instrumentos, desactive la casilla de verificación Incluir una constante .
Se pueden elegir diferentes cálculos de error estándar cambiando el menú desplegable Errores estándar en la pestaña
Opciones del cuadro de diálogo de estimación. Tenga en cuenta que si su ecuación no era lineal, solo se pueden calcular
los errores estándar basados en IV. Para la estimación lineal, también puede elegir errores estándar basados en K-Class,
Bekker o Hansen, Hausman y Newey.
Como ejemplo de estimación LIML, estimamos parte del Modelo I de Klein, publicado en Greene (2008, p. 385).
Estimamos la ecuación de consumo, donde se hace una regresión del consumo (CONS) sobre una constante, ganancias
privadas (Y), ganancias privadas rezagadas (Y(-1)) y salarios (W) usando datos en el archivo de trabajo "Klein.WF1". Los
instrumentos son una constante, ganancias corporativas rezagadas (P(-1)), stock de capital rezagado (K(-1)), PNB rezagado
(X(-1)), una tendencia temporal (TM), salarios del gobierno (WG ), gasto público (G) e impuestos (T). En su reproducción
del modelo de Klein, Greene usa errores estándar de Clase K. Los resultados de esta estimación son los siguientes:
Método generalizado de los momentos—81
Variable dependiente: CONTRAS

Método: LIML / Clase K
Fecha: 27/05/09 Hora: 11:16
Tipo de covarianza: Clase K
Especificación del instrumento: CP(-1) K(-1) X(-1) TM WG GT
C 17.14765 1,840295 9,317882 0,201748 0.0000

Y -0.222513 -1,102927 0,173598 2,281293 0.2854
Y(-1) 0.396027 0,055378 14,85347 0.0357
En 0.822559 0.0000

R-cuadrado ajustado SE Var dependiente SD 1,550791 Resid suma 6.860866
de regresión Durbin- al cuadrado 1,487859 LIML mín. valor 40.88419
Watson stat propio 1.498746
EViews identifica el procedimiento de estimación LIML, junto con la elección del tipo de matriz de covarianza y la
lista de instrumentos en el encabezado. Esta información es seguida por el coeficiente habitual, las estadísticas t y
los valores p asintóticos.
Las estadísticas de resumen estándar informadas en la parte inferior de la tabla se calculan utilizando las fórmulas
descritas en "Estadísticas de resumen" en la página 13. Junto con las estadísticas estándar, también se informa el
valor propio mínimo de LIML, si el tipo de estimación era LIML.
Método Generalizado de Momentos

Ofrecemos aquí una breve descripción del estimador del Método Generalizado de Momentos (GMM), prestando
especial atención a los problemas de estimación de matriz de ponderación y cálculo de covarianza de coeficiente.
O el tratamiento es paralelo a la excelente discusión en Hayashi (2000). Se anima a los interesados en detalles
adicionales a consultar uno de los muchos estudios completos sobre el tema.
El estimador GMM
L
El punto de partida de la estimación GMM es la suposición de que hay un conjunto de condiciones
de momento K que deben satisfacer los parámetros dimensionales
Estas condiciones de momento pueden ser bastante generales y,b a menudo, un modelo en departicular
interés.
tiene más condiciones de momento específicas que parámetros a estimar. Así, el vector de L Kÿ
Las condiciones de momento
se pueden escribir como:
Emy ÿÿ . (21.24)
t , ÿ segundo
ÿ ÿ0
En EViews (como en la mayoría de las aplicaciones econométricas), restringimos nuestra atención a las condiciones
de momento que pueden escribirse como una condición de ortogonalidad entre los residuos de una ecuación utÿ ÿ
ción, b uy_ _ t , , Xt b ÿ , y un conjunto dek instrumentos: Zt
E Ztut ÿ ÿ ÿ ÿ b ÿ 0 (21.25)
El estimador del Método de Momentos tradicional se define reemplazando las condiciones de momento en la
Ecuación (21.24) con su muestra análoga:
1 1
mTÿ ÿ b ÿÿ ÿÿ---
---Zÿuÿ 0 (21.26)
T Ztut ÿ ÿ b T
t
b
y encontrar el vector de parámetros que resuelve L
este conjunto de ecuaciones.
Cuando hay más condiciones de momento que parámetros ( L Kÿ ), el sistema de ecuaciones

dado en la Ecuación (21.26) puede no tener una solución exacta. Se dice que tal sistema está sobreidentificado.
Aunque generalmente no podemos encontrar una solución exacta para un sistema sobreidentificado, mTÿ ÿ b
b
podemos reformular el problema como uno de elegir a para que el momento de la muestra sea lo más
"cercano" a cero posible, donde "cercano" se define usando la forma cuadrática:
–1
J b Wˆ
,T ÿ ÿ
ÿ
T mTÿ ÿÿ b WˆT mTÿ ÿb
1 (21.27)
–1
ÿ
--- uÿ ÿÿ b Z WˆT Zÿuÿ ÿ b
T
como medida de distancia. La posiblemente aleatoria, simétrica y definida positiva LL ÿ

matriz Wˆ
T se denomina matriz de ponderación, ya que actúa para ponderar las diversas condiciones de
momento en la construcción de la medida de distancia. La estimación del Método Generalizado de Momentos se
b
define como la que minimiza la Ecuación (21.27).
Al igual que con otros estimadores de variables instrumentales, para que se identifique el estimador GMM, debe
haber al menos tantos instrumentos como parámetros en el modelo. En modelos donde hay el mismo número de
instrumentos que de parámetros, el valor de la función objetivo optimizada es cero. Si hay más instrumentos que
parámetros, el valor de la función objetivo optimizada será mayor que cero. De hecho, el valor de la función
objetivo, denominada estadística J, se puede utilizar como una prueba de sobreidentificación de las condiciones
de momento.
En condiciones de regularidad adecuadas, el estimador GMM es consistente y tiene una T asintoti

distribución casi normal,
T bˆ b0
ÿ –ÿÿ Nÿ ÿ 0, V (21.28)
La matriz de covarianza asintótica de ÿ – VT bˆ b0 ÿ es dado por

–1 –1
V SÿW–1 ÿ ÿ S
ÿ ÿ
SW–1 SW–1 S SW–1 ÿ ÿ Sÿ
(21.29)
por
W pluma Wˆ
ÿ
T
1
esbelto
ÿ
--- Zÿÿuÿ ÿb (21.30)
T
1
esbelto _
ÿ
--- Zÿuÿ ÿ b uÿ ÿÿ b Z
T
donde esStanto la varianza asintótica de ÿ ÿ Ztutÿ ÿ TmTÿ ÿ bˆ y la matriz de covarianza de largo plazo
del proceso vectorial b .
En el caso principal donde utÿ ÿ b ÿ utÿ ÿ b son los residuos de una especificación lineal de modo que la
– ÿb yt xt , función objetivo GMM está dada por
1 –1
J b Wˆ
,T ÿ ÿ
ÿ
ÿ ÿÿ y X– b ZWˆ --- T Zÿÿ y X– b ÿ (21.31)
T
–1 –1 –1
vˆ XÿZWˆ
estimador GMM produce la solución única ÿ La matriz de covarianza y el
asintótica
viene ÿ
T ÿ ZÿX XÿZWˆ T Zÿy .
dada por la Ecuación (21.27), con
1
S plim --- ÿ ÿ ZÿX
ÿ
(21.32)
T
Se puede ver a partir de esta formación que tanto la estimación por mínimos cuadrados en dos etapas
como por mínimos cuadrados ordinarios son casos especiales de estimación GMM. El objetivo de mínimos
2
jˆ usando la matriz de
cuadrados de dos etapas es simplemente la función objetivo GMM multiplicada
2
T ÿ ÿ jˆ Wˆ ÿ ZÿZ Tÿ. Los mínimos cuadrados ordinarios son equivalentes al objetivo de mínimos cuadrados
ponderación
en dos etapas con los instrumentos igualados a las derivadas de utÿ ÿ b , que en el caso lineal son
los regresores.
Elección de la matriz de ponderación
Un aspecto importante de especificar un estimador GMM es la elección de la matriz de ponderación, . Si bien

WˆT cualquier secuencia de matrices de ponderación definidas positivas simétricas producirá T Wˆ
una estimación consistente de b , la ecuación (21.29) implica que la elección de Wˆ afecta a la T
varianza asintótica del estimador GMM. Hansen (1992) muestra que se puede obtener un estimador GMM óptimo
o asintóticamente eficiente eligiendo S b Wˆ Tpara que con
tiende a la inversa de la matriz de covarianza de largo plazo:
plimWˆ T ÿS (21.33)
Intuitivamente, este resultado se sigue ya que, naturalmente, queremos asignar menos peso a las condiciones
de momento que se miden de manera imprecisa. Para un estimador GMM con una ponderación óptima bˆ
matriz, la matriz de covarianza asintótica de está dada por
–1 –1
V SÿS–1 ÿ ÿ S
ÿ
SÿS–1 SS–1 SSÿ ÿ ÿSS
ÿ ÿ
(21.34)
–1
ÿ
SÿS–1 ÿ ÿ S
La implementación de la estimación GMM óptima requiere que obtengamos estimaciones de S-1 .
EViews ofrece cuatro métodos básicos para especificar una matriz de ponderación:
• Mínimos cuadrados de dos etapas: la matriz de ponderación de mínimos cuadrados de dos etapas
2 2
WˆT ÿ ÿ jˆ viene dada por ÿ ZÿZ jˆTÿ bdonde
equivalente , según
es su
unconfiguración
estimador de para
la varianza
el cálculo
residual
de la basado
covarianza
en un
del
2
estimación inicial de . Elcoeficiente.
estimador de la varianza será o el no df corregido s
• White: la matriz de ponderación de White es un estimador consistente de heteroscedasticidad de la matriz

de covarianza de largo plazo de ÿ ÿ Ztutÿ ÿ bb basado en una estimación inicial de .
• HAC - Newey-West: la matriz de ponderación HAC es un estimador consistente de heteroscedasticidad y

autocorrelación de la matriz de covarianza de largo plazo de ÿ ÿ Ztutÿ ÿ b basado en
una estimación inicial de . b
• Especificado por el usuario: este método le permite proporcionar su propia matriz de ponderación
(especificada como una matriz simbólica que contiene una estimación escalada de la covarianza a largo
plazo Uˆ ÿ TSˆ
).
Para una discusión relacionada con los estimadores de error estándar robustos de White y HAC - Newey West ,
consulte “Errores estándar robustos” en la página 32.
Iteración de matriz de ponderación
Como se señaló anteriormente, los estimadores de matriz de ponderación de White y HAC requieren una evaluación
estimación consistente deinicial .
. (Técnicamente, la matriz de ponderación de mínimos cuadrados en dos etapas también
2
requiere una estimación inicial de b , aunque estos valores son irrelevantes ya que el resultado no afecta lasjˆ
estimaciones resultantes).
En consecuencia, el cálculo del estimador GMM óptimo con pesos White o HAC a menudo emplea una variante
del siguiente procedimiento:
bˆ 1. Calcular las estimaciones iniciales de los parámetros 0 utilizando TSLS
2. Usa la bˆ estimaciones para formar residuos ut bˆ

0ÿÿ
0
3. Formar una estimación de la matriz de covarianza de largo plazo de ÿ Ztut bˆÿ ÿ 0ÿ , S T bˆ 0 ÿ , y use
Sˆ it para calcular la matriz de ponderación óptima WˆT T bˆ0ÿ ÿ ÿ
4. Minimizar la función objetivo GMM con matriz de ponderación Wˆ bˆ ÿSÿ Tÿ

T 0
1
J ÿb1 bˆ, 0ÿ
ÿ
--- en b1 ÿ ÿÿZ Sˆ T 0bÿ ÿ –1 Zÿu b1
ÿÿ (21.35)
T
con respecto a b1 para formar estimaciones de parámetros actualizadas.
Podemos generalizar este procedimiento repitiendo los pasos 2 a 4 usando estimaciones de 1 como nuestra inicial
parámetros
produciendo estimaciones actualizadas. Esta iteración de la matriz bˆ bˆ , y la estimación del coeficiente
2de ponderación
se puede realizar un número fijo de veces, o hasta que los coeficientes converjan de modo que bˆj bˆ ÿ con un
grado de precisión suficiente. j -1
Un enfoque alternativo debido a Hansen, Heaton y Yaron (1996) señala que dado que la matriz de ponderación óptima
depende de los parámetros, podemos reescribir la función objetivo GMM como
1 –1
Jÿ ÿb ÿ
--- uÿ ÿÿ b Z Sˆ T ÿ ÿ segundo Zÿuÿ ÿ b (21.36)
T
b
donde la matriz de ponderación es función directa de la que se está estimando. El estimador que minimiza la
b
Ecuación (21.36) con respecto a se ha denominado Estimador Actualizado Continuamente (CUE).
Actualización del peso de la ecuación lineal
Para ecuaciones que son lineales en sus coeficientes, EViews ofrece tres opciones de actualización de matriz de
ponderación: el método iterativo de N pasos, iterar a convergencia y el método de actualización continua .
norte
Como sugiere el nombre, el método iterativo N-Step repite los pasos 2-5 anteriores, mientras que Iterate to
Convergence repite los pasos hasta que las estimaciones de los parámetros convergen. El enfoque de actualización
continua se basa en la ecuación (21.36).
De manera un tanto confusa, el método iterativo de N pasos con un solo paso de peso a veces se denomina en la
literatura como el estimador GMM de 2 pasos, definiéndose el primer paso como la estimación TSLS inicial. EViews ve
esto como un estimador de 1 paso, ya que solo hay un único cálculo de matriz de peso óptimo.
Actualización de peso de ecuación no lineal
Para ecuaciones que no son lineales en sus coeficientes, EViews ofrece cinco algoritmos de actualización diferentes:
iterativo secuencial de N pasos, iteración secuencial a convergencia, iteración simultánea a convergencia,
iteración de peso de 1 paso más 1 y actualización continua. Los métodos para las especificaciones no lineales son
generalmente similares a sus contrapartes lineales, con diferencias que se centran en el hecho de que las estimaciones
de parámetros para una matriz de ponderación dada en el paso 4 ahora deben calcularse utilizando un optimizador no
lineal, que a su vez implica iteración.
bˆ Todos los métodos no lineales de actualización de matrices de ponderación comienzan 0 obtenido de dos
con una estimación por mínimos cuadrados de etapa en la que los coeficientes se han iterado hasta la convergencia.
El procedimiento iterativo secuencial de N pasos es análogo al procedimiento lineal iterativo de N pasos descrito
anteriormente, pero con la optimización no lineal para los parámetros en cada paso 4 iterada hasta la convergencia. De
manera similar, el método de iteración secuencial a convergencia sigue el mismo enfoque que el método iterativo
secuencial de N pasos , con una optimización no lineal completa de los parámetros en cada paso 4.
El método de iteración simultánea a la convergencia difiere del método de iteración secuencial a la convergencia
en que solo una única iteración del optimizador no lineal, en lugar de una iteración a la convergencia.
convergencia, se lleva a cabo en el paso 4. Por lo tanto, las iteraciones son simultáneas en el sentido de que cada
iteración de ponderación se empareja con una iteración de coeficiente.
Peso de 1 paso más 1 iteración realiza una sola iteración de peso después de las estimaciones iniciales de mínimos
cuadrados de dos etapas, y luego una sola iteración del optimizador no lineal en función de la matriz de peso actualizada.
El enfoque de actualización continua se basa nuevamente en la ecuación (21.36).
Cálculo de la covarianza del coeficiente

Habiendo estimado los coeficientes del modelo, todo lo que queda es especificar un método para calcular la matriz de
covarianza de coeficientes. Consideraremos dos enfoques básicos, uno basado en una familia de estimadores de la
covarianza asintótica dada en la Ecuación (21.29), y un segundo, debido a Windmeijer (2000, 2005), que emplea un
estimador corregido por sesgo que tiene en cuenta la variación de las estimaciones iniciales de los parámetros.
Estimadores convencionales
Usando la Ecuación (21.29) e insertando estimadores y momentos muestrales, obtenemos un estimador bˆ tor para la
matriz
1 de covarianza asintótica de :
–1 –1
Vˆ ÿTbˆ _ 1 , b ÿ
Vaya
(21.37)
0ÿ Bˆ ÿ ÿ Sˆÿ LAˆ
dónde
ÿ
ÿ
ÿ u bˆÿ ÿZ Sˆ
T 0 bÿ ÿ –1 Zÿ u bˆ ÿ ÿ ÿ 1
Vaya
1
(21.38)
ÿ
B ÿ
ÿ u bˆÿ ÿZ Sˆ ÿ ÿ –1 Sˆÿ Sˆ T 0 bÿ ÿ –1 Zÿ u bˆ ÿ ÿ
1 T 0 bˆ 1ÿ
bˆ Nótese que el estimador depende tanto de las estimaciones del coeficiente final como de las utilizadasb para
1 formar la 0
matriz de ponderación de la estimación, así como de una estimación adicional de la larga Sˆÿ
ejecutar matriz de covarianza. Para los métodos de actualización de pesos que iteran los pesos hasta que los coeficientes
convergen, los dos conjuntos de coeficientes serán idénticos.
EViews ofrece seis especificaciones de covarianza diferentes de esta forma, Estimación predeterminada, Estimación
actualizada, Mínimos cuadrados de dos etapas, Blanco, HAC (Newey-West) y Definido por el usuario.
cada uno correspondiente a un estimador diferente para Sˆÿ .
De estos, Estimación por defecto y Estimación actualizada son los métodos de covarianza de coeficientes más
Sˆÿ de la matriz de ponderación de la
comúnmente empleados. Ambos métodos calculan utilizando la especificación
estimación (es decir, si se eligió Blanco como matriz de ponderación de la estimación, entonces Sˆÿ
El blanco también se utilizará para estimar).
• La estimación predeterminada utiliza la estimación previamente calculada de la covarianza a largo plazo bˆ ÿ ÿ ÿ

matriz Sˆÿ para formar S . La matriz de covarianza asintótica simplifica considerar Vˆ Tÿ ÿ bˆ
T 0
–1
hábilmente en este caso para que
ÿ
Vaya .
• La estimación actualizada realiza un paso 3 más en el procedimiento iterativo de estimación, calculando

una estimación de la covarianza a largo plazo utilizando las estimaciones del coeficiente final bˆ ÿ ÿ ÿ
para obtenerSˆÿ ST este1 método se basa en el procedimiento de estimación iterativo, no está
. Dado que
disponible para ecuaciones estimadas por CUE.
En los casos en que las matrices de ponderación se iteren hasta la convergencia, estos dos enfoques arrojarán
resultados idénticos.
Sˆÿ utilizando
restantes calculan estimaciones de en los parámetros finales bˆ Las especificaciones
covarianza elamétodo
largo plazo 1
de indicado.
Puede usar estos métodos para estimar su ecuación bˆ ÿ ÿ ÿ
ción utilizando un conjunto de supuestos para la matriz de ponderación, WˆT ST 0 , mientras vienes
calcule la covarianza del coeficiente utilizando un conjunto diferente de supuestos para Sˆÿ bˆ ÿSTÿ ÿ 1 .
La aplicación principal de este enfoque de ponderación mixta es calcular errores estándar robustos. Suponga, por
ejemplo, que desea estimar su ecuación usando pesos TSLS, pero con errores estándar robustos. Al seleccionar
Mínimos cuadrados de dos etapas para la matriz de ponderación de estimación y White para el método de
cálculo de covarianza, EViews indicará que calcule las estimaciones de TSLS con covarianzas de coeficiente
White y errores estándar. De manera similar, estimar con pesos de estimación de mínimos cuadrados en dos
etapas y pesos de covarianza de HAC - Newey-West produce estimaciones de TSLS con covarianzas de
coeficiente de HAC y covarianzas estándar.
errores
Tenga en cuenta que es posible elegir combinaciones de ponderaciones de estimación y covarianza que, si
bien son razonables, no suelen emplearse. Puede, por ejemplo, optar por utilizar ponderaciones de estimación
de White con ponderaciones de covarianza de HAC, o quizás ponderaciones de estimación de HAC utilizando un
conjunto de opciones de HAC y ponderaciones de covarianza de HAC con un conjunto diferente de opciones.
También es posible, aunque no se recomienda, construir pares más extraños, como ponderaciones de estimación
HAC con ponderaciones de covarianza TSLS.
Estimador de Windmeijer
Varios estudios de Monte Carlo (p. ej., Arellano y Bond 1991) han demostrado que los estimadores de covarianza
anteriores pueden producir errores estándar sesgados a la baja en muestras pequeñas.
Windmeijer (2000, 2005) observa que parte de este sesgo a la baja se debe a la variación adicional causada por
la estimación de la matriz de ponderación inicial que se basa en estimaciones consistentes de los parámetros de
la ecuación.
Siguiendo esta idea, es posible calcular estimaciones del error estándar corregido por sesgo que tienen en
cuenta la variación de las estimaciones iniciales de los parámetros. Windmeijer proporciona dos formas de
errores estándar corregidos por sesgo; uno para modelos GMM estimados en un procedimiento de un solo paso
(una matriz de ponderación GMM óptima), y otro para modelos GMM estimados mediante un procedimiento de
iteración a convergencia.
La matriz de varianza-covarianza corregida de Windmeijer del estimador de un paso viene dada por:
ÿ
Paso VW2 ÿ ÿÿ ÿVˆ1 D2SVˆ 1 Vˆ 1D2Sÿ D2SVˆ 2D2S (21.39)

dónde:
–1
Vˆ 1 ÿ
Vaya , el estimador de covarianza predeterminado de estimación
Wˆ2T Sˆ ÿ ÿTbˆ _ 1 ÿ , la matriz de ponderación actualizada (en las estimaciones finales de los parámetros)
–1 –1
Vˆ2 ÿ
Vaya Bˆ Aˆ , Sˆÿ la estimación del estimador de covarianza actualizado donde ÿ ÿ ÿS Tbˆ 1
Wˆ1T bˆ ÿSÿ T 0ÿ , la matriz de ponderación de la estimación (en las estimaciones iniciales de los parámetros)
2
Wˆ0T ÿ ÿ jˆ ÿ ZÿZ Tÿ , la matriz de ponderación inicial
–1 –1
ÿ jWˆ ÿ
ÿ Wˆ 1T ÿ ÿ mamada
D2S j ,
:
D2S j es
columna
una matriz
th está
cuya
dada por
–1 –1 –1
ÿ
D2S j , ÿ-
Vˆ ÿ ÿ ZWˆ1ÿ 1 en bˆ2T ÿ Wˆj Wˆ2T Zÿu bˆ
ÿ ÿ 1– V
La matriz de varianza-covarianza de iteración a convergencia de Windmeijer está dada por:

–1 –1
Vˆ WIC ÿ
I CC ÿ ÿ – VˆC I CC ÿ ÿ – (21.40)
dónde:
–1 –1
CV ÿ
ÿ
ÿ ÿ uÿ ÿ bˆ Z Wˆ Connecticut
ÿ zÿuÿ ÿ bˆ , el estimador de covarianza predeterminado de estimación
Wˆ Connecticut
Sˆ ÿ Tÿ ÿ bˆ , la matriz de ponderación GMM en estimaciones de parámetros convergentes
GMM ponderado
Los pesos también se pueden usar en la estimación de GMM. La función objetivo para GMM ponderado es,
1 –1
Sÿ ÿ segundo
ÿ
y fX – ÿ ÿ , ÿÿ b LZ Sˆ ---ÿ T ZÿLÿ y fX – ÿ , b ÿÿ
(21.41)
T
dónde S T es la covarianza a largo plazo de donde ahora usamos para indicar el Ldiagnóstico
peso ÿZtet
ÿ .
matriz única con pesos de observación peso
Los errores estándar informados por defecto se basan en la estimación de la matriz de covarianza dada por:
ˆ –1 –1
S WGMM G bÿ ÿÿÿLZ Sˆ ÿ
T ÿ ZÿLG bÿ ÿ (21.42)
dónde bb ÿ WGMM
.
Estimación por GMM en EViews

Para estimar una ecuación por GMM, cree un nuevo objeto de ecuación seleccionando Objeto/
Nuevo Objeto.../Ecuación, o presione el botón Estimar en la barra de herramientas de una ecuación existente.
En el cuadro de diálogo Especificación de ecuación , seleccione Método de estimación: GMM. El cuadro de diálogo
de especificación de estimación cambiará como se muestra a continuación.
Para obtener estimaciones GMM en
EViews, debe escribir la condición de

momento como una condición de
ortogonalidad entre una expresión que
incluye los parámetros y un conjunto de
instrumentos
variables Hay dos formas de escribir la

condición de ortogonalidad: con y sin una
variable dependiente.
Si especifica la ecuación mediante

una lista de nombres de variables o
mediante una expresión con un signo
igual, EViews interpretará la condición de
momento como una condición de
ortogonalidad entre los instrumentos y
los residuos definidos por la ecuación.

Si especifica la ecuación mediante una expresión sin signo igual, EViews ortogonalizará esa expresión al conjunto de
instrumentos.
También debe enumerar los nombres de los instrumentos en el cuadro de edición de la lista de instrumentos. Para el
Estimador GMM para ser identificado, debe haber al menos tantas variables instrumentales como parámetros para
estimar. EViews, por defecto, agregará una constante a la lista de instrumentos. Si no desea que se agregue una
constante a la lista de instrumentos, la casilla de verificación Incluir una constante debe estar desmarcada.
Por ejemplo, si escribe,
Especificaciones de la ecuación: ycx
Carta del instrumento: jueves .
las condiciones de ortogonalidad vienen dadas por:

– ÿ0
ÿÿ yt – cÿ ÿ 1 cÿ ÿ 2 xt ÿ
– ÿ0
cÿ ÿ 2 xt ÿ zt (21.43)
ÿ ÿ yt – cÿ ÿ 1 _
–
ÿÿ yt – cÿ ÿ 1 cÿ ÿ 2 xt ÿ peso ÿ 0
Si ingresa la especificación,
Especificaciones de la ecuación: c(1)*log(y)+x^c(2)
Lista de instrumentos: czz(-1)
las condiciones de ortogonalidad son:

cÿ ÿ 2
ÿ
xt ÿ ÿ0
ÿÿ cÿ ÿ 1 yt log
cÿ ÿ
ÿ ÿ xt 2 zt
_ ÿ0 (21.44)
ÿ ÿ cÿ ÿ 1 yt registro
cÿ ÿ
zt
-1 ÿ0
2 ÿ ÿ cÿ ÿ 1 yt log ÿ ÿ xt
Debajo del cuadro de lista Instrumento hay dos menús desplegables que le permiten establecer la matriz de
ponderación de Estimación y la Actualización de ponderación.
El menú desplegable Matriz de ponderación de estimación especifica el tipo de matriz de ponderación

GMM que se utilizará durante la estimación. Puede elegir entre mínimos cuadrados de dos etapas, blanco,
HAC (Newey-West) y especificado por el usuario. Si selecciona HAC (Newey West) , aparece un botón
que le permite configurar las opciones de cálculo de la matriz de ponderación. Si selecciona Especificado
por el usuario, debe ingresar el nombre de una matriz simétrica en el archivo de trabajo que contiene una
matriz de ponderación (covarianza de largo plazo) escalada por el número de observaciones). estimación de Uˆ ÿ TSˆ
Tenga en cuenta que la matriz debe tener tantas columnas como el número de instrumentos especificado.
La matriz
Uˆ se puede recuperar de cualquier ecuación estimada por GMM utilizando @instwgt
miembro de datos (consulte “Miembros de datos de ecuaciones” en la página 37 de la Referencia de comandos
y programación). @instwgt devuelve que
Uˆ es un estimador implícito de la covarianza a largo plazo escalada por
el número de observaciones.
Por ejemplo, para las ecuaciones GMM estimadas utilizando la matriz de ponderación de mínimos
2 2
cuadrados en dos etapas
jˆ ,ÿ contendrá
ÿ ZÿZ (donde el estimador de la varianza utilizará o no s
df equivalente corregido, según sus opciones para el cálculo de la covarianza del coeficiente).
2
Las ecuaciones estimadas con una matriz de ponderación White devolverán eh
.
Actualmente ÿ ÿ
Almacenar la matriz de ponderación del usuario de una ecuación y usarla durante la estimación de una
segunda ecuación puede resultar útil cuando se calculan diagnósticos que implican comparar estadísticas J
entre dos ecuaciones diferentes.
El menú desplegable Actualización de peso le permite configurar el tipo de algoritmo de estimación. Para
ecuaciones lineales, puede elegir entre N-Step Iterative, Iterate to Convergence y Continuously Update.
Para ecuaciones no lineales, la elección es entre iteración secuencial de N pasos, iteración secuencial
hasta la convergencia, iteración simultánea hasta la convergencia, ponderación de 1 paso más 1
iteración y actualización continua.
Para ilustrar la estimación de los modelos GMM en EViews, estimamos el mismo modelo de Klein presentado
en “Estimación de LIML y K-Class en EViews”, en la página 79, como lo reprodujo nuevamente Greene 2008
(p. 385). Volvemos a estimar la ecuación de Consumo, donde se hace una regresión del consumo (CONS)
sobre una constante, ganancias privadas (Y), ganancias privadas rezagadas (Y(-1)) y salarios (W) utilizando
datos en "Klein.WF1". Los instrumentos son una constante, ganancias corporativas rezagadas (P(-1)), stock
de capital rezagado (K(-1)), PNB rezagado (X(-1)), una tendencia temporal (TM), salarios del gobierno (WG ),
gasto público (G) e impuestos (T). Greene usa el peso blanco
matriz de cálculo y un procedimiento de actualización iterativa de N pasos , con N establecido en 2. Los resultados de esta
estimación se muestran a continuación:
Variable dependiente: CONTRAS

Método: Método Generalizado de Momentos
Fecha: 21/04/09 Hora: 12:17
Estimación lineal con 2 actualizaciones de peso
Matriz de ponderación de estimación: Blanco
Errores estándar y covarianza calculados usando ponderación de estimación
matriz
Sin ajuste de df para errores estándar y covarianza Especificación
del instrumento: CP(-1) K(-1) X(-1) TM WG GT
C 14,31902 0,896606 15.97025 0.0000

Y 0,090243 0,061598 1.465032 0.1612
Y(-1) 0,143328 0,065493 2.188443 0.0429
En 0,863930 0,029250 29.53616 0.0000
R-cuadrado 0,976762 Var dependiente de la media 53.99524

R-cuadrado SE ajustado 0,972661 Var dependiente de la DE 6.860866
de regresión Durbin- 1,134401 Resid al cuadrado de la suma 21.87670
Watson estadístico J- 1,420878 Rango del instrumento 3,742084 8
estadístico Prob (estadística J) 0.442035
El encabezado de salida de EViews muestra un resumen del tipo de estimación y la configuración, junto con la especificación
del instrumento. Tenga en cuenta que, en este caso, el encabezado muestra que la ecuación era lineal, con una actualización
de ponderación iterativa de 2 pasos realizada. También muestra que el tipo de matriz de ponderación era White, y esta
matriz de ponderación se utilizó para la matriz de covarianza, sin ajuste de grado de libertad.
A continuación del encabezado, se muestran las estimaciones del coeficiente estándar, los errores estándar, las
estadísticas t y los valores p asociados. Debajo de esa información se muestran las estadísticas de resumen.
Además de las estadísticas estándar que se muestran en una ecuación, también se muestra el rango del instrumento (el
número de instrumentos linealmente independientes utilizados en la estimación) (8 en este caso), y también se muestra la
estadística J y el valor p asociado.
Como segundo ejemplo, también estimamos la ecuación para la Inversión. La inversión (I) se retrocede sobre una
constante, beneficios privados (Y), beneficios privados rezagados (Y(-1)) y stock de capital rezagado (K-1)). Los instrumentos
son nuevamente una constante, ganancias corporativas rezagadas (P(-1)), stock de capital rezagado (K(-1)), PNB rezagado
(X(-1)), una tendencia temporal (TM), salarios del gobierno (WG ), gasto público (G) e impuestos (T).
A diferencia de Greene, usaremos una matriz de ponderación HAC , con blanqueamiento previo (fijado en 1 retraso), un
núcleo Tukey-Hanning con selección automática de ancho de banda de Andrews. También utilizaremos el procedimiento
de actualización de ponderaciones de Actualización Continua . El resultado de esta ecuación se muestra a continuación:
Variable dependiente: I
Método: Método generalizado de los momentos
Fecha: 10/08/09 Hora: 10:48 Muestra (ajustada): 1921
1941 Observaciones incluidas: 21 después de los
ajustes Actualización continua de pesos y coeficientes
Matriz de ponderación de estimación: HAC
(Preblanqueamiento con rezagos = 1, núcleo Tukey-Hanning, ancho de banda de
Andrews = 2,1803)
Errores estándar y covarianza calculados usando ponderación de estimación
matriz
Convergencia lograda después de 30 iteraciones Sin
ajuste de df para errores estándar y covarianza Especificación del
instrumento: CP(-1) K(-1) X(-1) TM WG GT
C 22.20609 5.693625 3.900168 0.0012

Y -0.261377 0,277758 -0,941024 0,235666 0.3599
Y(-1) 0.935801 3,970878 0,024042 -6,532236 0.0010
k(-1) -0.157050 0.0000

R-cuadrado SE ajustado Var dependiente SD 2,248495 Resid suma 3.551948
de regresión Durbin- al cuadrado 1,804037 Rango del 85.94740
Watson estadístico J- instrumento 1,949180 Prob (estadística J) 8
estadístico 0.745106
Tenga en cuenta que la información del encabezado de esta ecuación muestra información ligeramente
diferente de la estimación anterior. La inclusión de la matriz de ponderación HAC proporciona información
sobre la elección de preblanqueo (retrasos = 1) y sobre la especificación del núcleo, incluido el ancho
de banda elegido por el procedimiento de Andrews (2,1803). Dado que se utiliza el procedimiento CUE ,
se informa el número de iteraciones de optimización que tuvieron lugar (39).
IV Diagnósticos y Pruebas
EViews ofrece varios diagnósticos y pruebas específicos de IV y GMM.
Resumen del instrumento

La vista Resumen de instrumento de una ecuación está disponible para ecuaciones que no son de
panel estimadas por GMM, TSLS o LIML. El resumen mostrará el número de instrumentos especificados,
la especificación del instrumento y una lista de los instrumentos que se usaron en la estimación.
Para la mayoría de las ecuaciones, los instrumentos utilizados serán los mismos que se especificaron
en la ecuación; sin embargo, si dos o más de los instrumentos son colineales, EViews eliminará
automáticamente los instrumentos hasta que la matriz de instrumentos tenga el rango completo. En
los casos en que se hayan retirado instrumentos, el resumen enumerará qué instrumentos se retiraron.
IV Diagnósticos y Pruebas—93
La vista Resumen del instrumento se puede encontrar en Ver/Diagnósticos y pruebas IV/Resumen del
instrumento.
Prueba de ortogonalidad del instrumento
La prueba de ortogonalidad del instrumento, también conocida como prueba C o prueba de Eichenbaum,
Hansen y Singleton (EHS), evalúa la condición de otogonalidad de un subconjunto de instrumentos.
Esta prueba está disponible para ecuaciones sin panel estimadas por TSLS o GMM.
Recuérdese que el supuesto central de la estimación de variables instrumentales es que los

instrumentos son ortogonales a una función de los parámetros del modelo:
E Zÿ ÿ ÿuÿ ÿ b ÿ 0 (21.45)
La prueba de ortogonalidad del instrumento evalúa si esta condición posiblemente se cumple para un
subconjunto de instrumentos pero no para los instrumentos restantes.
E Z1 ÿ ÿ ÿuÿ ÿ b ÿ 0
(21.46)
E Z2 ÿ ÿ ÿuÿ ÿ b ÿ 0
donde ÿ ÿZ Z1 Z2 ÿ , , y Z1 son instrumentos para los cuales se supone que se cumple la condición.
El estadístico de Connecticut
, se calcula como la diferencia en las estadísticas J entre el original
Z1 como instrumentos:
prueba, la ecuación y una ecuación secundaria estimada usando solo
1 –1 –
1 –1
ÿ
--- uÿ ÿÿ bˆ ZWˆT zÿuÿ ÿ bˆ --- uÿ ÿÿ b˜ Z1Wˆ T1 Z1 ÿuÿ ÿ b˜ (21.47)
Connecticut
T T
b las estimaciones de parámetros de la estimación original de TSLS o GMM, y es la matriz
donde son WˆT
–1
b
de ponderación original, son las estimaciones de la ecuación de prueba, y es la WˆT1
–1
matriz Wˆ para la ecuación de prueba formada al tomar el subconjunto de T correspondiente al instrumento
mentos en Z1 . El estadístico de prueba es Chi-cuadrado distribuido con grados de libertad iguales a Z2
el número de instrumentos en .
Para realizar la prueba de ortogonalidad instrumental en EViews, haga clic en Ver/Diagnósticos y

pruebas IV/Prueba de ortogonalidad del instrumento. Se abrirá un cuadro de diálogo que le pedirá
que ingrese una lista de Z2
instrumentos para los que la condición de ortogonalidad puede no cumplirse. Haga clic
en Aceptar y se mostrarán los resultados de la prueba.
Prueba de endogeneidad de regresores
La prueba de endogeneidad del regresor, también conocida como prueba de Durbin-Wu-Hausman, prueba
la endogeneidad de algunos o todos los regresores de la ecuación. Esta prueba está disponible para
ecuaciones sin panel estimadas por TSLS o GMM.
Un regresor es endógeno si es explicado por los instrumentos del modelo, mientras que las variables
exógenas son aquellas que no son explicadas por los instrumentos. En la estimación de TSLS y GMM de
EViews, las variables exógenas se pueden especificar al incluir una variable como regresor
y un instrumento, mientras que las variables endógenas son aquellas que se especifican únicamente en la
lista de regresores.
La prueba de endogeneidad comprueba si un subconjunto de las variables endógenas son realmente exógenas. Esto
se calcula ejecutando una estimación secundaria donde las variables de prueba se tratan como exógenas en lugar
de endógenas, y luego comparando la estadística J entre esta estimación secundaria y la estimación original:
1 –1 1 –1
ÿ – (21.48)
HT --- uÿ ÿÿ b˜ Z˜ W˜T Z˜ ÿuÿ ÿ b˜ --- uÿ ÿÿ bˆ ZWˆT* zÿuÿ ÿ bˆ
T T
donde están
b las estimaciones de parámetros de la estimación original de TSLS o GMM obtenidas usando pesos Z˜
Wˆ T , y son b
las estimaciones de la ecuación de prueba estimadas usando , los instrumentos W˜
aumentados por las
variables que se están probando, y es la matriz de ponderación de la estimación secundaria. T
–1 –1
Tenga en cuenta que en el caso de la estimación de GMM, la Wˆ T* debe ser una submatriz de W˜ T
matriz para garantizar la positividad de la estadística de prueba. En consecuencia, al calcular el estadístico de
–1
secundaria para obtener –1 , que es el subconjunto de W˜ T prueba, , y luego forma
EViews b˜ una nueva
primero matriz
estima W˜ T* ,
la ecuación
correspondiente a los instrumentos originales. DE Una tercera estimación
luego se realiza utilizando la matriz de subconjuntos para la ponderación, y se calcula la estadística de prueba
como:
1 –1 1 –1
ÿ – (21.49)
HT --- uÿ ÿÿ b˜ Z˜ W˜T Z˜ ÿuÿ ÿ b˜ --- uÿ ÿÿ bˆÿ Zÿ W˜ T* Zÿuÿ ÿ bˆÿ
T T
La estadística de prueba se distribuye como una variable aleatoria de Chi-cuadrado con grados de libertad iguales
al número de regresores probados para la endogeneidad.
Para realizar la prueba de endogeneidad del regresor en EViews, haga clic en View/IV Diagnostics and Tests/
Regressor Endogeneity Test. Se abrirá un cuadro de diálogo que le pedirá que ingrese una lista de regresores
para probar la endogeneidad. Una vez que haya ingresado esos regresores, presione Aceptar y se mostrarán los
resultados de la prueba.
Diagnóstico de instrumentos débiles
La vista Diagnóstico de instrumento débil proporciona información de diagnóstico sobre los instrumentos utilizados
durante la estimación. Esta información incluye la estadística de Cragg-Donald, los valores críticos de Stock y Yugo
asociados y los criterios de selección de momento (MSC). El estadístico Cragg-Donald y sus valores críticos están
disponibles para ecuaciones estimadas por TSLS, GMM o LIML, pero el MSC está disponible solo para ecuaciones
estimadas por TSLS o GMM.
El estadístico Cragg-Donald es propuesto por Stock y Yugo como medida de la validez de los instrumentos en una
regresión IV. Los instrumentos que son solo marginalmente válidos, conocidos como instrumentos débiles, pueden
dar lugar a inferencias sesgadas basadas en las estimaciones de IV, por lo que es importante probar la presencia de
instrumentos débiles. Para una discusión de las propiedades de la estimación IV
IV Diagnósticos y Pruebas—95
ción cuando los instrumentos son débiles, ver, por ejemplo, Moreira 2001, Stock y Yugo 2004 o Stock,
Wright y Yugo 2002.
Aunque la estadística de Cragg-Donald solo es válida para TSLS y otros estimadores de clase K,
EViews también informa sobre ecuaciones estimadas por GMM con fines comparativos.
La estadística de Cragg-Donald se calcula como:

2
ÿÿ
T k1 - ÿ –k2 ÿ 2ÿ –1
----------------------------------
GT
ÿ
ÿÿ ÿ XEÿMXZXE ÿÿ ÿ–1 MXXE ÿ ÿMXZZ
ÿÿMXZZ
ÿ ÿ ÿÿ MXZZ ÿÿ (21.50)
k2
2ÿ
MXZZ ÿ ÿÿ MXXE ÿ ÿ XEÿMXZXE ÿ ÿ–1
dónde:
ZZ = instrumentos que no están en la lista de regresores
XZ XXÿ ZZ
ÿ ÿ
XX = regresores exógenos (regresores en las listas de regresores e instrumentos)
COCHE = regresores endógenos (regresores que no están en la lista de instrumentos)

ÿ
ÿ-
MXZ I XZ XZÿXZ ÿ ÿ – 1 XX ÿ–1 XZ

ÿ
ÿ-
MX I XX XXÿXX ÿ k1 k2
= número de columnas de XX
= número de columnas de ZZ
La estadística no sigue una distribución estándar, sin embargo, Stock y Yugo proporcionan una tabla
de valores críticos para ciertas combinaciones de instrumentos y números de variables endógenas.
EViews informará estos valores críticos si están disponibles para el número especificado de instrumentos
y variables endógenas en la ecuación.
Los criterios de selección de momento (MSC) son una forma de criterios de información que se pueden
utilizar para comparar diferentes conjuntos de instrumentos. La comparación del MSC a partir de ecuaciones
estimadas con diferentes instrumentos puede ayudar a determinar qué instrumentos funcionan mejor.
EViews informa sobre tres MSC diferentes: dos propuestos por Andrews (1999), uno basado en el criterio
de Schwarz y otro basado en el criterio de Hannan-Quinn, y el tercero propuesto por Hall, Inoue, Jana y
Shin (2007), el criterio de selección de momento relevante. Se calculan de la siguiente manera:
Basado en SIC = JT – ÿ ÿlnÿ

ckÿ–T
Basado en HQIQ = JT – 2.01ÿ ÿ lnÿ

ck –ÿ lnÿ ÿ T
MSC relevante = ln ÿ ÿ TQ ÿ 1 ÿ ÿ t ÿ–ÿ lnÿ

ck ÿ t
T
C número de instrumentos, = el número dek regresores, = el número de observaciones,
donde = el
q = la matriz de covarianza de la estimación,
1 2ÿ
t ÿ
ÿ ÿT
---ÿÿb
b a 1 para la estimación de TSLS y White GMM, e igual al ancho de banda utilizado en la estimación de
y es igual
HAC GMM.
Para ver los diagnósticos de instrumentos débiles en EViews, haga clic en View/IV Diagnostics & Tests/
Diagnóstico de instrumentos débiles.
Prueba de punto de ruptura GMM
La prueba GMM Breakpoint es similar a la prueba Chow Breakpoint, pero está orientada a ecuaciones estimadas
a través de GMM en lugar de mínimos cuadrados.
EViews calcula tres tipos diferentes de estadísticas de prueba de punto de corte de GMM: la estadística de Wald
de Andrews-Fair (1988), la estadística de tipo LR de Andrews-Fair y la estadística O de Hall y Sen (1999). Las dos
primeras estadísticas prueban la hipótesis nula de que no hay rupturas estructurales en los parámetros de la
ecuación. La tercera estadística prueba la hipótesis nula de que las restricciones de sobreidentificación son estables
en toda la muestra.
Las tres estadísticas se calculan de manera similar a la estadística de Chow: los datos se dividen en diferentes
submuestras y la ecuación original se vuelve a estimar para cada una de estas submuestras. Sin embargo, a
diferencia del estadístico Chow, que se calcula sobre la base de que la matriz de varianza-covarianza de los
términos de error permanece constante a lo largo de toda la muestra (es decir, la matriz de covarianza de los
2
s . es
términos deel
error varía
mismo entre
entre laslas submuestras).
submuestras), la estadística de punto de corte GMM permite que la varianza
La estadística de Andrews-Fair Wald se calcula, en el caso de un punto de corte único, como:
ÿ
1 –1 1 –1ÿ –1
ÿ
AF1 v1 v2ÿÿÿ – ÿ ÿ v1 ÿv2
– (21.51)
ÿ ------V1 ------V2 ÿ
T1 T2
se refiere al número de i
Donde se
vi refiere a los coeficientes estimados de la submuestra , i Ti
observacionesesenlalaestimación de ylaVi
submuestra, matriz de varianza-covarianza para i
submuestra
El estadístico de tipo LR de Andrews-Fair es una comparación de los estadísticos J de cada una de las estimaciones
de las submuestras:
AF2 JR J1 J ÿ– ÿ
ÿ
2ÿ (21.52)
Donde se jrcalcula una estadística J con los residuos de la ecuación original, pero una matriz de ponderación
GMM igual a la suma ponderada (por número de observaciones) de las matrices de ponderación estimadas de
cada una de las estimaciones de las submuestras.
Referencias—97
La estadística O de Hall y Sen se calcula como:
TO ÿ J1 ÿ J2 (21.53)
2 Los primeros dos estadísticos tienen una distribución asintótica con ÿ ÿ m – 1 k grados de libre x
dom, donde m es el número de submuestras y k es el número de coeficientes en la ecuación original. El
2
estadístico O también sigue una asintótica 2 ÿ ÿ qm – ÿ ÿ – 1 k X distribución, pero con
ÿ grados de libertad.
Para aplicar la prueba GMM Breakpoint, haga clic en View/Breakpoint Test…. En el cuadro de diálogo que aparece,
simplemente ingrese las fechas o los números de observación del punto de corte que desea probar.
Referencias
Amemiya, T. (1975). “El Estimador de Máxima Verosimilitud de Información Limitada No Lineal y el Modi
Estimador de mínimos cuadrados de dos etapas no lineal fied”, Journal of Econometrics, 3, 375-386.
Anderson, TW y H. Rubin (1950). “Las propiedades asintóticas de las estimaciones de los parámetros de una sola ecuación en
un sistema completo de ecuaciones estocásticas”, The Annals of Mathematical Statistics, 21(4), 570-582.
Andrews, DWK (1999). “Procedimientos de selección de momentos consistentes para el método generalizado de estimación de
momentos”, Econometrica, 67(3), 543-564.
Andrews, DWK (octubre de 1988). “Inferencia en modelos econométricos no lineales con cambio estructural”, The Review of
Economic Studies, 55(4), 615-639.
Anderson, TW y H. Rubin (1949). “Estimación de los parámetros de una sola ecuación en un sistema completo de ecuaciones
estocásticas”, Annals of Mathematical Statistics, 20, 46–63.
Arellano, M. y S. Bond (1991). “Algunas pruebas de especificación para datos de panel: evidencia de Monte Carlo y una
aplicación a ecuaciones de empleo”, Review of Economic Studies, 38, 277-297.
Bekker, Pensilvania (1994). “Aproximaciones alternativas a las distribuciones de estimación de variables instrumentales
tores”, Econometrica, 62(3), 657-681.
Cragg, JG y SG Donald (1993). “Prueba de identificabilidad y especificación en modelos de variables instrumentales”, Teoría
econométrica, 9(2), 222-240.
Eichenbaum, M., LP Hansen y KJ Singleton (1988). “Un análisis de series temporales de modelos de agentes representativos de
consumo y elección de ocio bajo incertidumbre”, The Quarterly Journal of Economics, 103(1), 51-78.
Hahn, J. y A. Inoue (2002). “Una comparación de Monte Carlo de varias aproximaciones asintóticas a la
Distribución de estimadores de variables instrumentales”, Econometric Reviews, 21(3), 309-336
Hall, AR, A. Inoue, K. Jana y C. Shin (2007). “Información en el método generalizado de estimación de momentos y selección
de momentos basada en entropía”, Journal of Econometrics, 38, 488-512.
Hansen, C., J. Hausman y W. Newey (2006). “Estimación con Muchas Variables Instrumentales”, MIMEO.
Hausman, J., JH Stock y M. Yogo (2005). “Propiedades asintóticas de la prueba de Han-Hausman para débil
Instruments”, Economics Letters, 89, 333-342.
Moreira, MJ (2001). “Pruebas con el tamaño correcto cuando los instrumentos pueden ser arbitrariamente débiles”, MIMEO.
Stock, JH y M. Yogo (2004). “Prueba de instrumentos débiles en regresión lineal IV”, MIMEO.
Stock, JH, JH Wright y M. Yogo (2002). “Una encuesta sobre instrumentos débiles e identificación débil en el método
generalizado de momentos”, Journal of Business & Economic Statistics, 20(4), 518-529.
Windmeijer, F. (2000). "Una corrección de muestra finita para la varianza de los estimadores GMM lineales de dos pasos",
Instituto de Estudios Fiscales, Documento de Trabajo 00/19.
Windmeijer, F. (2005). “Una corrección de muestra finita para la varianza de GMM lineal eficiente de dos pasos Esti
mators”, Journal of Econometrics, 126, 25-51.
Capítulo 22. Regresión de series de tiempo
En este capítulo, centramos nuestra atención en el análisis de modelos de una sola ecuación para datos de
series temporales, centrándonos en la estimación de la media móvil autorregresiva (ARMA), la media móvil
integrada autorregresiva (ARIMA) y la media móvil integrada fraccionalmente autorregresiva. Especificaciones
promedio (ARFIMA) y el cálculo de diagnósticos de ecuaciones para estos modelos.
Antes de pasar a la implementación de EViews de estas funciones, proporcionamos una breve descripción de los
modelos y los diagnósticos relacionados. Se alienta a aquellos que deseen detalles adicionales a consultar uno o
más de los muchos libros sobre métodos de series de tiempo (Box, Jenkins y Reinsel, 2008; Hamilton, 1994).
Los temas relacionados se discuten en otras partes de este volumen; véase, por ejemplo, el Capítulo 38. “Análisis
de series temporales univariadas”, en la página 589, el Capítulo 40. “Modelos de autorregresión vectorial y de
corrección de errores”, en la página 687, el Capítulo 41. “Modelos de espacio de estados y el filtro de Kalman”, en
página 755 para material sobre temas adicionales de series de tiempo.
Fondo
Una ocurrencia común en la regresión de series de tiempo es la presencia de correlación entre los residuos y sus
valores rezagados. Esta correlación serial viola la suposición estándar de la teoría de regresión que requiere
perturbaciones de regresión no correlacionadas. Entre los problemas asociados con la correlación serial no
contabilizada en un marco de regresión se encuentran:
• OLS ya no es eficiente entre los estimadores lineales. Intuitivamente, dado que los residuos anteriores
ayudan a predecir los residuos actuales, podemos aprovechar esta información para formar una mejor
predicción de la variable dependiente.
• Los errores estándar calculados usando la fórmula OLS del libro de texto no son correctos y son
generalmente subestimado.
• Si hay variables dependientes rezagadas en el lado derecho de la ecuación específica

catión, las estimaciones de OLS son sesgadas e inconsistentes.
Un marco popular para modelar la dependencia serial son los modelos Autoregressive-Moving Average (ARMA) y
Autoregressive-Integrated-Moving Average (ARIMA) popularizados por Box y Jenkins (1976) y generalizados a las
especificaciones Autoregressive-Fractionally Integrated-Moving Average (ARFIMA).
(Tenga en cuenta que los modelos ARMA y ARIMA que permiten variables explicativas en la media a veces se
denominan ARIMAX y ARIMAX. Generalmente usaremos ARMA para referirnos a modelos con y sin variables
explicativas a menos que haya una razón específica para distinguir entre los dos tipos. )
100—Capítulo 22. Regresión de series de tiempo
Modelos autorregresivos (AR)

,
Un modelo autorregresivo de orden denotado AR( ) tiene la forma pags pags
ÿ
Yt r1Yt – 1 r ÿ ÿ 2Yt – 2 ÿ r ÿ pYt p – ÿ yt
pags
(22.1)
ÿ
ÿ y
t
ÿ rjYtj – _
jÿ1
donde están
y las innovaciones independientes e idénticamente distribuidas para el proceso y los parámetros
autorregresivos caracterizan la naturaleza de la dependencia. Tenga en cuenta que las autocorrelaciones de un AR( )
Rhode Island
estacionario son infinitas, pero declinan geométricamente, por lo que mueren rápidamente, y las autocorrelaciones
pags
parciales para retrasos mayores que son cero. pags
Será conveniente para la discusión que sigue definir un operador de retardo tal que: L
Lk Yt ÿ Yt k – (22.2)
y reescribir el AR( ) como pags
pags
Yt
ÿ
ÿ rjLj Yt
ÿ y
t
(22.3)
jÿ1
eÿt
r ÿ L Yt
dónde
pags
rÿ ÿ L 1 ÿ – ÿ rjlj (22.4)
jÿ1
es un polinomio rezagado que caracteriza el proceso AR. Si le sumamos una media al modelo, obtenemos:
ÿ r ÿ L Yt mt ÿ – eÿt (22.5)
El modelo AR(1)
El modelo de regresión con correlación serial más simple y más utilizado es el modelo
autorregresivo de primer orden, o modelo AR(1). Si la media mt es Xt
unaÿ combinación
ÿb lineal de regres Xt b
fuente y parámetros , Yt Xt el modelo AR(1) puede escribirse como:
ÿ ÿb ÿ ut
(22.6)
ÿ
ut rut – 1 e t ÿ
El parámetro es el coeficiente de correlación serial de primer orden. r
Sustituyendo la segunda ecuación en la primera, obtenemos la forma de regresión
Yt Xtÿb rL Yt Xt –ÿ ÿb ÿ ÿ ÿ y
ÿ
t
(22.7)
ÿ
ÿ – ÿyt
Xtÿbr Yt –ÿ1 Xt – 1 ÿb
Fondo—101
En la representación es fácil ver que el modelo AR(1) incorpora el residual de la observación anterior
al modelo de regresión de la observación actual.
Reordenando términos y usando el operador de retardo, tenemos la forma polinomial

ÿ rL
ÿ ÿYt1 Xt
– – ÿb ÿ eÿt
(22.8)
Modelos AR de orden superior
Un modelo de regresión con un proceso de orden autorregresivo , AR( ), viene dada por:
páginas
Yt Xt ÿ ÿb ÿ ut
(22.9)
ÿ
ut r1ut – 1 r ÿ ÿ 2ut – 2 ÿ r ÿ poner p – ÿyt
Sustituyendo y reordenando términos, obtenemos la regresión

pags
ÿ – ÿ
j- _ ÿb ÿ
ÿ
y
Yt Xtÿb ÿ ÿ Yt
rj j - Xt t (22.10)
jÿ1
y la forma polinomial
pags
ÿ ÿ
1
– ÿb ÿ Yt Xt ÿ
eÿt
ÿ
ÿ – ÿ ÿ rjlj (22.11)
ÿ
jÿ1
Modelos de media móvil (MA)

Un modelo de orden de media móvil q , denotado MA( )qtiene la forma
Yt ÿÿ y v1et – 1 rv2e ÿ t – 2 ÿÿ v ÿ qYt
q–
q
ÿ ÿ yÿ años j- _ (22.12)
jÿ1
ÿ
vÿ ÿ L e t
y las innovaciones, y
dónde están
q
vÿ ÿ L 1ÿ ÿÿ vjLj (22.13)
jÿ1
es el polinomio de media móvil con parámetros que caracterizan el proceso MA. nosotros
q.
Tenga en cuenta que las autocorrelaciones de un modelo MA son cero para retrasos mayores que
Debe prestar especial atención a la definición del polinomio de retardo al comparar resultados entre
diferentes artículos, libros o software, ya que a veces se emplea la convención de signos opuestos para
en
los coeficientes.
Añadiendo una media al modelo, obtenemos la forma media ajustada:

ÿ
Yt – mvÿ ÿ L e t (22.14)
El modelo MA(1)
El modelo MA(1) asume que el término de perturbación actual es una suma ponderada de las afuera
innovaciones actuales y rezagadas y:

yy–1
Yt Xt ÿ ÿb ÿ ut
(22.15)
ÿÿ carne y t -1
afuera
El parámetro es elen coeficiente de media móvil de primer orden. Sustituyendo, el MA(1) puede escribirse
como
ÿ
Yt Xtÿb et y ÿÿ
t -1 (22.16)
Yt Xt – ÿb
ÿ
ÿ eÿ 1 ÿ vL t (22.17)
Modelos de media móvil autorregresiva (ARMA)
Podemos combinar las especificaciones AR y MA para definir un modelo de media móvil de modelo
autorregresivo (ARMA):
ÿ r ÿ L Yt mt ÿ –
ÿ
vÿ ÿ L e t (22.18)
Llamamos a este modelo un ARMA( q

pq,) para indicar que hay retrasos en el AR y términos en el MA. pags
El modelo ARMA(1, 1)
El modelo ARMA más simple es autorregresivo de primer orden con un promedio móvil de primer orden
error:
Yt Xt ÿ ÿb ÿ ut
(22.19)
ÿ
rut – 1 ÿ ÿcarne
ut y t -1
El parámetro es elpromedio
coeficiente
móvil
de rcorrelación
. Sustituyendo,
serialeldeARMA(1,
primer orden
1) puede
y el es
escribirse
el coeficiente
encomo de
ÿ
ÿ ÿÿ
Yt Xtÿb rut – 1 et ve ÿ Xtÿbr Yt – 1 Xt – 1 t -1
(22.20)
ÿ
ÿ – ÿÿ
ÿb ÿ carne y t -1
o equivalente,
ÿ Yt
ÿ ÿXt1 –– ÿb
rL ÿ ÿ
ÿ eÿ t1 ÿ vL (22.21)
Términos ARMA estacionales
Box y Jenkins (1976) recomiendan el uso de términos autorregresivos estacionales (SAR) y promedios
móviles estacionales (SMA) para datos mensuales o trimestrales con movimientos estacionales
sistemáticos. Los procesos con términos SAR y SMA son modelos ARMA construidos usando productos de
Fondo—103
polinomios de retardo. Estos productos producen modelos ARMA de orden superior con restricciones no
lineales en los coeficientes.
Términos AR estacionales
Un término SAR( ) es un término autorregresivo estacional con retraso .p

pags
Un SAR se suma a un AR existente
especificación de un polinomio con un retraso de: pags
(22.22)
1 fpLp -
El SAR no está diseñado para usarse solo. El SAR le permite formar el producto de polinomios de retraso,
con la estructura de retraso resultante definida por el producto de los polinomios de retraso AR y SAR.
Por ejemplo, un proceso AR de segundo orden sin estacionalidad está dado por,
Yt r1Yt – 1 r2Ytÿ – 2 ÿ e t
ÿ , (22.23)
que se puede representar usando el operador de retraso como:

L
– Yt eÿt
(22.24)
1 r – 1L r2L2 ÿ ÿ
Para los datos trimestrales, podríamos querer agregar un término SAR(4) porque creemos que existe una
correlación entre un trimestre y el trimestre del año anterior. Entonces el proceso resultante sería:
– – . (22.25)
1 r – 1L r2L2 1 f4L4 ÿ ÿ ÿ ÿ Yt e ÿ t
En términos ampliados, vemos que el proceso es equivalente a:
. (22.26)
Yt r1Yt – 1 r2Ytÿ – 2 Yut –ÿ 4 f4r1Yt –– 5
ÿ – f4r2Yt – 6 ÿyt
El parámetro f4 está asociado con la parte estacional del proceso. Tenga en cuenta que este es un
proceso AR(6) con restricciones no lineales en los coeficientes.
Términos de MA estacionales
De manera similar, SMA(

q
) se puede incluir en su especificación para especificar un término de promedio
móvil estacional con retraso.
q
La estructura de retraso MA resultante se obtiene del producto del polinomio de
retraso especificado por los términos MA y el especificado por cualquier término SMA.
Por ejemplo, el proceso MA de segundo orden sin estacionalidad puede escribirse como
Yt , (22.27)
ÿÿ y v1et – 1 v2et
ÿ –2
o usando operadores de retraso:
. (22.28)
Yt ÿ
ÿ v2L2 ÿÿ ÿ
1 v1L y
t
Para tener en cuenta la estacionalidad en un archivo de trabajo trimestral, es posible que desee agregar un SMA(4).
Entonces el proceso resultante es:
Yt ÿ
ÿ1 ÿv1L
ÿ v2L2 1 q4L4ÿ ÿ ÿ ÿ y
t (22.29)
El proceso es equivalente a:
Yt ÿ ÿÿÿ ÿ
Yt y1Yt – 1 y2Yt – 2 q4Yt – 4 q4v1Yt – 5 q4v
2Ytÿ– 6 . (22.30)
El parámetro está asociado con la parte estacional de un proceso MA(6) que no tiene w4
restricciones lineales sobre los coeficientes.
Modelos Integrados
una serie de tiempo Se dice que Yt es integrado de orden 0 o Iÿ ÿ 0 , si se puede escribir como un MA pro
impuesto ÿ
Yt vÿ ÿ L e t , con coeficientes tales que
ÿ
ÿÿÿ nosotros (22.31)

yo = 1
Iÿ ÿ 0 es un promedio móvil con autocovarianzas que desaparecen lo

En términos generales, un proceso
suficientemente rápido, una condición necesaria para la estacionariedad (Hamilton, 2004).
d
Yt se
diferencia
dice integrado de orden o IÿdÿI 0dÿ ÿ
no lo es. , 1- L
d ÿ ÿ si su -ésima diferencia entera, Yt es
, y la d -1
Por lo general, se supone que es undnúmero entero y que, al re ÿ 1 re ÿo2 para que primero o segundo
diferenciar la serie original, se obtiene una serie estacionaria. Consideraremos la integración de enteros y no
enteros a su vez.
Modelo ARIMA
Un modelo ARIMA(
, pdq
, se d
) define como un proceso I dÿ ÿ cuya -ésima diferencia entera sigue un proceso ARMA( )
pq, tenemos:
estacionario. En forma de polinomio
d
rÿ ÿ L ÿ 1 – L ÿ ÿ Yt ÿmt– ÿ
vÿ ÿ L e t (22.32)
Ejemplo
El modelo ARIMA(1,1,1)
Un modelo ARIMA(1,1,1) para Yt supone que la primera diferencia de Yt es un ARMA(1,1).
ÿrL
ÿ 1ÿ –
ÿ ÿ – ÿb ÿ 1 – L Yt Xt ÿÿ carne y t -1 (22.33)
Reordenando y observando que ÿ ÿ y 1 – L Yt ÿ DYt ÿ ÿ 1 – L Xt ÿ DXt podemos escribir esta

especificación como
–
DYt DXtÿb rDYt – 1ÿDXtÿ– 1 ÿb ÿ ÿÿ (22.34)
ÿ
carne y t -1
o
Fondo—105
DYt DXt ÿ ÿb ÿ ut
(22.35)
ÿ
ut rut – 1 ÿ ÿ carne y t -1
Modelo ARFIMA
Se dice que los procesos estacionarios tienen memoria larga cuando las autocorrelaciones son
persistentes, decayendo más lentamente que la tasa asociada con los modelos ARMA. Modelar la
dependencia a largo plazo es difícil para las especificaciones ARMA estándar, ya que requiere
representaciones ARMA de gran orden y no parsimoniosas que generalmente van acompañadas de
dinámicas indeseables a corto plazo (Sowell, 1992).
Un enfoque popular para modelar procesos de memoria larga es emplear la noción de integración
fraccionaria (Granger y Joyeux, 1980; Hosking, 1981). Una serie fraccionariamente integrada es
aquella con memoria larga que no es Iÿ ÿ 1 .
Siguiendo a Granger y Joyeux (1981) y Hosking (1981), podemos definir un tiempo discreto d
operador de diferencia fraccionaria que depende del parámetro:
ÿ ÿ
d d k k
Gÿ – re ÿ k ÿ
ÿd ÿ 1–L ÿ ÿÿ ÿ –1 L -------------------------------------Lk (22.36)
ÿ ÿ ÿÿ ÿ ÿ kÿ ÿ Gÿ ÿ –d Gÿ ÿ k ÿ 1
kÿ0 kÿ0
para–1
G ÿ 2 ÿ ÿ d 1 2ÿ y la función gamma.
d
Si el operador de diferencia fraccionaria aplicado a un proceso produce un paseo aleatorio, decimos
d
que el proceso es un ARFIMA(0, , 0). Hosking señala que para un ARFIMA(0, , 0): d
• cuando d ÿ 1 2ÿ , el proceso es no estacionario pero invertible
• cuando 0 ÿ ÿ d 1 2ÿ , el proceso tiene memoria larga pero es estacionario e invertible
• cuando –1 ÿ 2 ÿ ÿ d 0 , el proceso tiene memoria corta, con todas las autocorrelaciones

negativas y autocorrelaciones parciales, y es invertible
• cuando d ÿ 0 , el proceso es ruido blanco
De forma más general,d si la diferenciación fraccionaria de orden ésimo da como resultado

pq, un ARMA( ), se
dice que el proceso es ARFIMA(
, , pdq ). En forma de polinomio tenemos:
d
rÿ ÿ L ÿ 1 – L ÿ ÿ Yt mt ÿ –
ÿ
vÿ ÿ L e t (22.37)
Observe que la especificación ARFIMA es idéntica a la formulación ARIMA estándar de Box-Jenkins en

la ecuación (22.32), pero permite números no enteros. Tenga endcuenta también que la restricción de
rango no d d esté en
es vinculante, ya que podemos aplicar la diferenciación o suma de enteros hasta que
el rango deseado.
Al combinar la diferenciación fraccionaria con una especificación ARMA tradicional, el modelo

ARFIMA permite patrones dinámicos flexibles. Crucialmente, cuando –1 ÿ 2 ÿ ÿ d 1 2ÿ, las relaciones
de autocor y las autocorrelaciones parciales del proceso ARFIMA decaen más lentamente (hipérbol
cally) que las tarifas asociadas con las especificaciones ARMA. Por lo tanto, el modelo ARFIMA le permite modelar la
d plazo que decae más rápidamente
dependencia a largo plazo que decae lentamente usando el parámetro y la dinámica a corto
usando un ARMA parsimonioso( ). pq,
El enfoque de Box-Jenkins (1976) para el modelado ARIMA

En el modelado y pronóstico ARIMA de Box-Jenkins, ensambla un modelo de pronóstico completo mediante el uso de
combinaciones de los tres componentes básicos de ARIMA descritos anteriormente. El primer paso para formar un modelo
ARIMA para una serie de residuos es observar sus propiedades de autocorrelación. Puede usar la vista de correlograma de una
serie para este propósito, como se describe en “Correlograma” en la página 416 de la Guía del usuario I.
Esta fase del procedimiento de modelado ARIMA se denomina identificación (no debe confundirse con el mismo término
utilizado en la literatura de ecuaciones simultáneas). La naturaleza de la correlación entre los valores actuales de los
residuos y sus valores pasados proporciona orientación para seleccionar una especificación ARIMA.
Las autocorrelaciones son fáciles de interpretar—cada una es el coeficiente de correlación del

valor actual de la serie con la serie rezagada cierto número de periodos. Las autocorrelaciones
parciales son un poco más complicadas; miden la correlación de las series actual y rezagada
después de tener en cuenta el poder predictivo de todos los valores de la serie con rezagos
menores. La autocorrelación parcial para el retraso 6, por ejemplo, mide el poder predictivo
agregado de cuando ya ut
están
– 6 en
u1 el
ÿ, ut
modelo
,– 5 esde
precisamente
regresión
predicción.
donde
De
el coeficiente
hecho,
ut – 6 la autocorrelación
de regresión deparcial
en una
los retrasos anteriores también se utilizan como predictores de ut .
Si sospecha que existe una relación de retraso distribuida entre su variable dependiente (izquierda) y algún otro predictor, es
posible que desee ver sus correlaciones cruzadas antes de realizar la estimación.
El siguiente paso es decidir qué tipo de modelo ARIMA usar. Si la función de autocorrelación desaparece suavemente a una
tasa geométrica y las autocorrelaciones parciales fueron cero después de un retraso, entonces es apropiado un modelo
autorregresivo de primer orden. Alternativamente, si las autocorrelaciones fueran cero después de un retraso y las
autocorrelaciones parciales disminuyeran geométricamente, parecería apropiado un proceso de promedio móvil de primer
orden. Si las autocorrelaciones parecen tener un patrón estacional, esto sugeriría la presencia de una estructura ARMA
estacional.
En este sentido, Box y Jenkins (1976) recomiendan el uso de términos estacionales autorregresivos (SAR) y estacionales
móviles (SMA) para datos mensuales o trimestrales con movimientos estacionales sistemáticos.
Por ejemplo, podemos examinar el correlograma de la serie de viviendas DRI Basics en el archivo de trabajo "Hs.WF1"
configurando la muestra en "1959m01 1984m12" y luego seleccionando View/Cor relogram... en la barra de herramientas de
la serie HS. Haga clic en Aceptar para aceptar la configuración predeterminada y mostrar el resultado.
Prueba de correlación serial—107
El correlograma cíclico "ondulado" con

una frecuencia estacional sugiere ajustar un
modelo ARMA estacional a HS.
El objetivo del análisis ARIMA es una

representación parsimonia del proceso que
gobierna el residual. Debe usar solo suficientes
términos AR y MA para ajustarse a las
propiedades de los residuos. La información
de Akaike
El criterio y el criterio de Schwarz

proporcionados con cada conjunto de
estimaciones también pueden utilizarse como
guía para la selección del orden de retardo adecuado.
Después de ajustar una especificación ARIMA

candidata, debe verificar que no queden
autocorrelaciones que su modelo no haya
tenido en cuenta. Examine las autocorrelaciones y las autocorrelaciones parciales de las innovaciones (los residuos
del modelo ARIMA) para ver si se ha pasado por alto algún poder de pronóstico importante. EViews proporciona varias
vistas para las comprobaciones de diagnóstico después de la estimación.
Prueba de correlación serial

Antes de utilizar una ecuación estimada para la inferencia estadística (p. ej. , pruebas de hipótesis y pronósticos),
generalmente debe examinar los residuos en busca de evidencia de correlación serial.
EViews proporciona varios métodos para probar una especificación para la presencia de correlación serial.
La estadística de Durbin-Watson
EViews informa la estadística de Durbin-Watson (DW) como parte de la salida de regresión estándar.
La estadística de Durbin-Watson es una prueba de correlación serial de primer orden. Más formalmente, la estadística
DW mide la asociación lineal entre residuos adyacentes de un modelo de regresión.
El Durbin-Watson es una prueba de la hipótesis r ÿ 0 en la especificación:
ÿ
ut rut – 1 ÿ yt . (22.38)
Si no hay correlación serial, la estadística DW estará alrededor de 2. La estadística DW caerá por debajo de 2 si hay
una correlación serial positiva (en el peor de los casos, será cercana a cero). Si hay una correlación negativa, la
estadística se ubicará entre 2 y 4.
La correlación serial positiva es la forma de dependencia más comúnmente observada. Como regla general, con 50
o más observaciones y solo unas pocas variables independientes, una estadística DW por debajo de aproximadamente
1,5 es una fuerte indicación de correlación serial positiva de primer orden. Ver Johnston y DiNardo (1997, Capítulo
6.6.1) para una discusión detallada sobre la prueba de Durbin-Watson y una tabla de los puntos significativos de la
estadística.
Hay tres limitaciones principales de la prueba DW como prueba de correlación serial. Primero, la distribución del
estadístico DW bajo la hipótesis nula depende de la matriz de datos. El enfoque habitual para manejar este X
problema
es colocar límites en la región crítica, creando una región donde los resultados de la prueba no son concluyentes. En
segundo lugar, si hay variables dependientes rezagadas en el lado derecho de la regresión, la prueba DW ya no es
válida. Por último, solo puede probar la hipótesis nula de que no hay correlación serial con la hipótesis alternativa de
la correlación serial de primer orden.
Otras dos pruebas de correlación serial, la estadística Q y la prueba LM de Breusch-Godfrey, superan estas
limitaciones y son las preferidas en la mayoría de las aplicaciones.
Correlogramas y estadísticos Q
Si selecciona View/Residual Diagnostics/Correlogram-Q-statistics en la barra de herramientas de ecuaciones,

EViews mostrará las funciones de autocorrelación y autocorrelación parcial de los residuos, junto con las estadísticas
Q de Ljung-Box para correlación serial de alto orden. Si no hay una correlación serial en los residuales, las
autocorrelaciones y las autocorrelaciones parciales en todos los rezagos deberían ser casi cero, y todas las
estadísticas Q deberían ser insignificantes con valores p grandes.
Tenga en cuenta que los valores p de las estadísticas Q se calcularán con los grados de libertad ajustados para
la inclusión de términos ARMA en su regresión. Existe evidencia de que se debe tener cuidado al interpretar los
resultados de una prueba de Ljung-Box aplicada a los residuos de una especificación ARMAX (ver Dezhbaksh,
1990, para evidencia de simulación sobre el desempeño de la prueba de muestra finita en este entorno).
Los detalles sobre el cálculo de correlogramas y estadísticos Q se proporcionan con mayor detalle en el Capítulo 11.
“Serie”, en la página 418 de la Guía del usuario I.
Prueba LM de correlación en serie
Al seleccionar View/Residual Diagnostics/Serial Correlation LM Test… se lleva a cabo la prueba del

multiplicador de Breusch-Godfrey Lagrange para errores ARMA generales de alto orden. En el cuadro de diálogo
Especificación de retraso, debe ingresar el orden más alto de correlación serial para probar.
La hipótesis nula de la prueba es que no existe correlación serial en los residuos hasta el orden especificado. EViews
informa una estadística etiquetada como "F-statistic" y "Obs*R-squared"
NR2tiene un
estadístico NR2 ( —el número de observaciones multiplicado por el R-cuadrado). La estadística
Prueba de correlación serial—109
2
distribución asintótica
X bajo la hipótesis nula. La distribución de la estadística F no se conoce, pero a menudo se usa para
realizar una prueba informal del valor nulo.
Consulte “Prueba LM de correlación en serie” en la página 195 para obtener más información sobre la prueba LM de
correlación en serie.
Ejemplo
Como ejemplo de la aplicación de procedimientos de prueba de correlación serial, considere los siguientes resultados de la
estimación de una función de consumo simple por mínimos cuadrados ordinarios usando datos en el archivo de trabajo
"Uroot.WF1":
Variable dependiente: SC
Fecha: 10/08/09 Hora: 11:06
C -9.227624 5,898177 -1,564487 0,017205 0.1197

PIB 0.038732 2,251193 0,024484 38,88516 0.0257
CS(-1) 0.952049 0.0000

de probabilidad Estadístico 8.089261
0.000000
Un vistazo rápido a los resultados revela que los coeficientes son estadísticamente significativos y el ajuste es muy ajustado.
Sin embargo, si el término de error está correlacionado en serie, los errores estándar de OLS estimados no son válidos y los
coeficientes estimados estarán sesgados e inconsistentes debido a la
presencia de una variable dependiente rezagada en el lado derecho. El estadístico de Durbin-Watson no es adecuado como
prueba de correlación serial en este caso, ya que hay una variable dependiente rezagada en el lado derecho de la ecuación.
Seleccionar View/Residual Diagnostics/Correlogram-Q-statistics para los primeros 12 retrasos de esta ecuación

produce la siguiente vista:
El correlograma tiene picos en rezagos hasta tres y en rezagos ocho. Las estadísticas Q son significativas en todos
los rezagos, lo que indica una correlación serial significativa en los residuos.
Al seleccionar View/Residual Diagnostics/Serial Correlation LM Test… e ingresar un retraso de 4, se obtiene el

siguiente resultado (solo la parte superior):
Prueba LM de correlación serial de Breusch-Godfrey:
estadística F 3,654696 prob. F(4155) 0.0071

Obs*R-cuadrado 13,96215 prob. Chi-Cuadrado(4) 0.0074
La prueba rechaza la hipótesis de no correlación serial hasta el orden cuatro. Tanto el estadístico Q como la prueba
LM indican que los residuos están correlacionados en serie y la ecuación debe volver a especificarse antes de usarla
para pruebas de hipótesis y pronósticos.
Estimación de modelos ARIMA y ARFIMA en EViews

EViews estima modelos ARIMA para especificaciones de ecuaciones lineales y no lineales definidas por lista o
expresión, y modelos ARFIMA para especificaciones lineales definidas por lista.
Antes de utilizar las herramientas descritas en esta sección, es posible que desee examinar su modelo en busca de
otros signos de especificación incorrecta. La correlación serial en los errores puede ser evidencia de problemas serios
con su especificación. En particular, debe estar atento a una especificación excesivamente restrictiva a la que haya
llegado experimentando con mínimos cuadrados ordinarios.
A veces, agregar variables excluidas incorrectamente a su regresión eliminará la correlación serial. Para una discusión
de las ganancias de eficiencia de la corrección de correlación serial y alguna evidencia de Monte-Carlo, ver Rao y
Griliches (1969).
Estimación de modelos ARIMA y ARFIMA en EViews—111
Para estimar un modelo ARMA, ARIMA o ARFIMA en EViews, abra un objeto de ecuación haciendo clic en Quick/Estimate
Equation… u Object/New Object.../Equation en el menú principal de EViews, o escriba ecuación en la línea de comando:
Dejando de lado la especificación de la ecuación por un momento, considere la configuración de la estimación

sección en la parte inferior del cuadro de diálogo
• Al estimar modelos ARMA, puede elegir LS - Mínimos cuadrados (NLS y

ARMA), TSLS: mínimos cuadrados en dos etapas (TSNLS y ARMA), o GMM: método generalizado de momentos
en el menú desplegable Método de estimación .
Tenga en cuenta que algunas técnicas y métodos de estimación (principalmente la máxima verosimilitud y la integración
fraccionaria) solo están disponibles en la opción de mínimos cuadrados.
• Introduzca la especificación de la muestra en el cuadro de diálogo de edición de la muestra.
Como el enfoque de nuestra discusión estará en la especificación de la ecuación para los modelos estándar ARIMA y ARFIMA y
en la configuración correspondiente en la pestaña Opciones , el resto de nuestra discusión supondrá que ha seleccionado el
método LS - Mínimos cuadrados (NLS y ARMA) en el menú desplegable. Haremos breves comentarios sobre otras
especificaciones cuando corresponda.
Especificación de ecuación
EViews estima las especificaciones generales de ARIMA y ARFIMA que permiten variables explicativas del lado derecho
(ARIMAX y ARFIMAX).
Debe ingresar la especificación de su ecuación en el campo de edición superior. Al igual que con otras especificaciones de
ecuaciones, puede ingresar su ecuación enumerando la variable dependiente seguida de

variables explicativas y palabras clave especiales, o puede proporcionar una expresión explícita para la ecuación.
Para especificar su modelo ARIMA, deberá:
• Diferencie su variable dependiente, si es necesario, para tener en cuenta el orden entero de

integración.
• Describa su modelo de regresión estructural (variables dependientes y regresores medios)

y agregue los términos AR, SAR, MA, SMA, según sea necesario.
Para especificar su modelo ARFIMA deberá:
• Diferencie su variable dependiente, si es necesario, para dar cuenta de un orden entero de

integración.
• Describa su modelo de regresión estructural (variables dependientes y regresores) y agregue cualquier término
ARMA ordinario y estacional, si lo desea.
• Agregue la palabra clave d a la especificación para indicar que le gustaría estimar y d

utilice un parámetro de diferencia fraccionaria.
Especificación de términos AR
Para especificar un término AR en EViews, utilizará la palabra clave ar, seguida del retraso deseado o el rango de retraso
entre paréntesis. Debe indicar explícitamente a EViews que use cada retraso de AR que desee incluir.
AR de primer orden
Para las especificaciones definidas por lista, simplemente agregue las palabras clave ar a la lista. Por ejemplo, para
estimar una función de consumo simple con errores AR(1), e ingrese su lista de variables como de costumbre, agregando
la expresión de palabra clave AR(1) al final de su lista.
Para la especificación:
CSt c1 cÿÿÿ2PIBt ut
(22.39)
ÿ
ut rut – 1 ÿ yt
con la serie CS y GDP en el archivo de trabajo, puede especificar su ecuación como:
cs c pib ar(1)
Para las especificaciones definidas por expresión, especifique su modelo usando expresiones de EViews, seguidas de un
término aditivo que describa la asignación del coeficiente de retardo AR encerrado entre corchetes. Para la especificación
revisada:
c2
ÿÿ
CSt c1 PIBt ÿ fuera
(22.40)
ut rut – 1 ÿ e t
ÿ
entrarías
cs = c(1) + pib^c(2) + [ar(1)=c(3)]
AR de orden superior
Estimar modelos AR de orden superior es solo un poco más complicado. Para estimar un AR( ), debe ingresar
k
su especificación, seguida de expresiones para cada retardo de AR que desee incluir. Puede usar la palabra
clave to para definir un rango de retraso.
Si desea estimar un modelo con autocorrelaciones de uno a cinco:
CSt c1 cÿÿÿ2PIBt ut
(22.41)
ÿ
ut r1ut – 1 r ÿ ÿ 2ut – 2 ÿ r ÿ 5ut – 5 ÿyt
puede definir su especificación usando:
cs c pib ar(1) ar(2) ar(3) ar(4) ar(5)
o más concisamente
cs c pib ar(1 a 5)
La última forma especifica un rango de retraso de 1 a 5 usando la palabra clave to .
Hacemos hincapié en el hecho de que debe enumerar explícitamente los retrasos de AR que desea
incluir. Al requerir que ingrese todos los términos AR deseados, EViews le brinda la flexibilidad de
restringir las correlaciones de orden inferior a cero. Por ejemplo, si tiene datos trimestrales y solo desea
incluir un solo término para tener en cuenta la autocorrelación estacional, podría ingresar
cs c pib ar(4)
Para especificaciones definidas por expresión, debe enumerar la asignación de coeficientes para cada uno
de los rezagos por separado, separados por comas:
c2
ÿÿ
CSt c1 PIBt ÿ fuera
(22.42)
ÿ
ut r1ut – 1 r ÿ ÿ 2ut – 2 ÿ r ÿ 5ut – 5 ÿ y
t
entrarías
cs = c(1) + pib^c(2) + [ar(1)=c(3), ar(2)=c(4), ar(3)=c(5), ar(4)= c(6), ar(5)=c(7)]
RA estacional
Los términos AR estacionales se pueden agregar usando la palabra clave sar , seguida de un retraso o rango
de retraso encerrado entre paréntesis. La especificación
cs c pib ar(1) sar(4)
definirá un modelo AR(5) con restricciones de coeficiente como se describe anteriormente (“Términos
ARMA estacionales” en la página 102).
Tenga en cuenta que en ausencia de términos AR ordinarios, el sar es equivalente a un ar. De este modo,
cs c pib ar(4)
cs c pib sar(4)
son especificaciones equivalentes.
Especificación de términos de MA
Para especificar un término MA en EViews, utilizará la palabra clave ma, seguida del retraso deseado o el rango de
retraso entre paréntesis. Debe indicar explícitamente a EViews que use cada retraso de MA que desee incluir. Puede
usar la palabra clave to para definir un rango de retraso.
Para especificaciones definidas por lista,:
CSt c1
ÿ ÿ c ÿ 2PIBt ut
(22.43)
ÿÿ ÿ
afuera y v1et – 1 v2et – 2
especificarías la ecuación como
cs c pib ma(1) ma(2)
o más concisamente como
cs c pib ma(1 a 2)
Para especificaciones definidas por expresión, las palabras clave de MA requieren asignaciones de coeficientes para
cada retraso, por lo que deben ingresarse individualmente. Así, por
CSt c1
ÿ ÿ PIBt c2 ÿ fuera
(22.44)
ÿÿ ÿ
afuera y v1et – 1 v2et – 2
entrarías
cs = c(1) + pib^c(2) + [ma(1)=c(3), ma(2)=c(4)]
Los términos MA estacionales se pueden agregar usando la palabra clave sma , seguida de un retraso entre
paréntesis. La especificación
cs c pib ma(1) ma(4)
definirá un modelo MA(5) con restricciones de coeficiente como se describe anteriormente (“Términos ARMA
estacionales” en la página 102). Tenga en cuenta que en ausencia de términos ordinarios de MA, el sma es
equivalente a un ma. De este modo,
cs c pib ma(4)
cs c pib sma(4)
son especificaciones equivalentes.

Especificación de diferenciación
Hay dos métodos distintos para especificar la diferenciación en EViews:
• Para la diferenciación de enteros, aplicará el operador de diferencia a las variables dependientes y

explicativas ya sea antes de la estimación o utilizando expresiones de serie en la especificación de
la ecuación.
• Para la diferenciación fraccionaria, deberá incluir la palabra clave d en la ecuación por lista
especificación para indicar que las variables dependientes y explicativas deben diferenciarse
fraccionadamente.
Diferenciación de enteros
El operador d puede usarse para especificar diferencias enteras de series. Para especificar la primera
diferenciación, simplemente incluya el nombre de la serie entre paréntesis después de d. Por ejemplo,
d(gdp) especifica la primera diferencia del PIB, o PIB–PIB(–1).
La diferenciación estacional y de orden superior se puede especificar utilizando los dos parámetros
norte opcionales,
s y . d(x,n) especifica la diferencia de orden -ésimo de la serie X:
norte
dxn ÿ ÿ ,
ÿ
ÿ1–Lÿ nx , (22.45)
L el operador de retraso. Por ejemplo, d(gdp,2) especifica la diferencia de segundo orden del PIB:
donde está
d(pib,2) = pib – 2*pib(–1) + pib(–2)
d(x,n,s) especifica la diferenciación ordinaria de orden ésimo de X con una diferencia estacional multiplicativa
norte
en el desfase: s
norte
dxns ,ÿ ÿ ,
ÿ
ÿ1–Lÿ – 1x Ls ÿ ÿ . (22.46)
Por ejemplo, d(gdp,0,4) especifica una diferenciación ordinaria cero con una diferencia estacional con un
desfase de 4, o PIB–PIB(–4).
Si necesita trabajar en registros, también puede usar el operador dlog , que devuelve diferencias en los
valores de registro. Por ejemplo, dlog(gdp) especifica la primera diferencia de log(GDP) o log(GDP)–
s
log(GDP(–1)). También puede especificar las opciones y como se describe para el operador d simple,
norte
dlog(x,n,s).
Hay dos formas de estimar modelos ARIMA en EViews. Primero, puede generar una nueva serie que
contenga los datos diferenciados y luego estimar un modelo ARMA utilizando los nuevos datos. Por
ejemplo, para estimar un modelo Box-Jenkins ARIMA(1, 1, 1) para M1, primero puede crear la serie de
diferencia escribiendo en la línea de comando:
serie dm1 = d(m1)
y luego use esta serie cuando ingrese la especificación de su ecuación:

dm1 c ar(1) ma(1)
Alternativamente, puede incluir el operador de diferencia d directamente en la especificación de estimación. Por ejemplo, el
mismo modelo ARIMA(1,1,1) se puede estimar usando el comando:
d(m1) coche(1) ma(1)
Este último método debe emplearse generalmente por una razón importante. Si define una nueva variable, como DM1
anterior, y la usa en su procedimiento de estimación, entonces cuando pronostique a partir del modelo estimado, EViews
producirá pronósticos de la variable dependiente DM1. Es decir, obtendrá un pronóstico de la serie diferenciada. Si está
realmente interesado en los pronósticos de la variable de nivel, en este caso M1, deberá transformar manualmente el valor
pronosticado y ajustar los errores estándar calculados en consecuencia.
Además, si se incluyen como regresores cualquier otra transformación o retrasos de la serie original M1, EViews no
sabrá que están relacionados con DM1. Sin embargo, si especifica el modelo usando la expresión del operador de diferencia
para la variable dependiente, d(m1), el procedimiento de pronóstico le brindará la opción de pronosticar la variable de nivel,
en este caso M1.
El operador de diferencia también se puede usar para especificar variables exógenas y se puede usar en ecuaciones con o
sin términos ARMA. Simplemente incluya la expresión de la serie en la lista de regresores. Por ejemplo:
d(cs, 2) cd(pib,2) d(pib(-1),2) d(pib(-2),2) tiempo
es una especificación válida que emplea el operador de diferencia tanto en el lado izquierdo como en el lado derecho de la
ecuación.
Diferenciación fraccionaria
Si desea realizar la diferenciación fraccionaria como parte de la estimación ARFIMA, simplemente agregue la palabra clave
d a la especificación existente.
Tenga en cuenta que los modelos de integración fraccionaria solo se pueden estimar en ecuaciones especificadas por lista.
No puede especificar un modelo ARFIMA usando expresión.
Ejemplos de especificaciones
Por ejemplo, para estimar un proceso ARMA(2, 1) de error de promedio móvil autorregresivo de segundo orden y de primer
orden, debe incluir expresiones para los términos AR(1), AR(2) y MA(1) junto con el variable dependiente (INC) y sus otros
regresores (en este caso C y GOV):
inc c gov ar(1 a 2) ma(1)
Una vez más, no necesita usar los términos AR y MA consecutivamente. Por ejemplo, si desea ajustar un modelo
autorregresivo de cuarto orden, podría usar AR(4) solo, lo que resultaría en un ARMA(4, 0) restringido:
gobierno inc (4)
También puede especificar un modelo de promedio móvil puro utilizando solo términos MA. De este modo:
inc c gov ma(1) ma(2)
indica un modelo ARMA(0, 2) para los errores de la ecuación INC.
Los modelos Box-Jenkins o ARMA tradicionales no tienen variables del lado derecho excepto la constante. En
este caso, su lista de regresores solo contendría una C además de los términos AR y MA. Por ejemplo:
log(inc) c ar(1) ar(2) ma(1) ma(2)
es un modelo Box-Jenkins ARIMA (2, 1, 2) estándar para log INC.
Puede especificar un rango de términos MA para incluir utilizando la palabra clave to . La siguiente
especificación ARFIMA(0, 1, 5) incluye todos los términos MA del 1 al 5, junto con el regresor medio DLOG(PIB):
dlog(inc) dlog(cs) c dlog(pib) ma(1 a 5)
Para las ecuaciones especificadas por expresión, simplemente ingrese la ecuación explícita que involucre la
variable dependiente posiblemente diferenciada y agregue cualquier expresión para los términos AR y MA en el cuadrado.
soportes:
dlog(cs) = c(1) + dlog(pib)^c(2) + [ar(1)=c(3), ar(2)=c(4), ma(1)=c(5) , ma(2)=c(6)]
d de error de promedio móvil de primer orden autorregresivo de segundo

Para estimar un ARFIMA(2, , 1) (modelo
orden fraccionalmente integrado), debe incluir expresiones para los términos AR(1), AR(2) y MA(1) y el d palabra
clave junto con la variable dependiente (INC) y otros regresores (C y GOV):
log(inc) c log(gov) ar(1 a 2) ma(1) d
Al hacer clic en la pestaña Opciones , se muestra una variedad de opciones de estimación. Las opciones
disponibles diferirán dependiendo de si su ecuación se especifica por lista o por expresión y si hay ARMA y
componentes de diferenciación fraccionaria. Para el resto de esta discusión, supondremos que ha incluido ARMA
o diferenciación fraccionaria en la especificación de la ecuación, y discutiremos a su vez las configuraciones
disponibles para cada método de especificación.
Ecuaciones especificadas por lista
Si su ecuación se especifica por lista, al hacer clic en la pestaña Opciones se muestra una página de diálogo que
ofrece configuraciones para controlar la estimación de ARMA, para calcular la covarianza del coeficiente, para la
optimización y para establecer el nombre del coeficiente predeterminado.
ARMA
La sección ARMA de la página controla el método para estimar sus componentes ARMA y establecer valores iniciales.
Método ARMA
El menú desplegable Método especifica la función objetivo utilizada en el método de estimación:
• Para modelos sin diferenciación fraccionaria, puede elegir entre la estimación predeterminada de ML (máxima
verosimilitud), GLS (mínimos cuadrados generalizados) y CLS (mínimos cuadrados condicionales).
• Para modelos con diferenciación fraccionaria, puede elegir entre el ML predeterminado y

Estimación GLS (CLS no está disponible para los modelos ARFIMA).
Consulte “Detalles del método de estimación” en la página 140 para obtener información sobre estas funciones objetivo.
Valores iniciales
Las técnicas de estimación no lineal utilizadas para estimar los modelos ARMA y ARFIMA requieren valores iniciales para
todas las estimaciones de coeficientes. Normalmente, EViews determina sus propios valores iniciales y, en su mayor
parte, este es un problema que no debe preocuparle. Sin embargo, hay ocasiones en las que es posible que desee anular
los valores iniciales predeterminados.
Primero, la estimación a veces se detiene cuando se alcanza el número máximo de iteraciones, a pesar de que no se
logra la convergencia. Reanudar la estimación con los valores iniciales sobrantes de la estimación anterior le indica a
EViews que continúe desde donde se quedó en lugar de comenzar de nuevo. También puede probar diferentes valores
iniciales para asegurarse de que las estimaciones sean un mínimo global en lugar de un mínimo local. También es posible
que desee suministrar
valores si tiene una idea aproximada de cuáles deberían ser las respuestas y desea acelerar el proceso de estimación.
El menú desplegable de valores iniciales del coeficiente ARMA ofrecerá opciones para anular los valores iniciales
predeterminados de EViews. Las opciones de valor inicial disponibles diferirán según el método ARMA seleccionado
anteriormente:
• Si selecciona la estimación ML o GLS como su método, se le presentará la

elección de Automático, EViews fijo, Aleatorio y Especificado por el usuario.
Para los especificados por el usuario, todos los coeficientes se toman de los valores en el vector de coeficientes
en el archivo de trabajo como se describe a continuación.
Para cada uno de los métodos restantes, los coeficientes medios se obtienen a partir de una regresión OLS
simple.
El EViews Automático predeterminado inicializa los coeficientes ARMA utilizando la regresión de mínimos
cuadrados de residuos contra residuos retrasados (para términos AR) e innovaciones (para términos MA), donde
las innovaciones se obtienen primero haciendo una regresión de residuos contra muchos retrasos de residuos.
EViews fixed establece los coeficientes ARMA en valores fijos arbitrarios de 0,0025 para ARMA ordinario y 0,01
para términos ARMA estacionales. Random genera coeficientes ARMA aleatorios.
Para la estimación de ARFIMA, el parámetro de diferencia fraccionaria se inicializa utilizando la regresión de

periodograma logarítmico de Geweke y Porter-Hundlak (1983) (automática), un valor fijo de 0,1 (EViews fijo) o
un uniforme generado aleatoriamente –ÿ 0,5 0,5 ÿ ,
(Corrió juicio).
• Si selecciona el método de estimación CLS , el menú desplegable de valores iniciales le permitirá

elija entre OLS/TLS, 0,8 x OLS/TSLS, 0,5 x OLS/TSLS, 0,3 x OLS/TSLS, cero y especificado por el usuario.
Para la selección especificada por el usuario , todos los coeficientes se inicializan a partir de los valores del
vector de coeficientes en el archivo de trabajo como se describe a continuación.
Para las variantes de OLS/TSLS, EViews inicializará los coeficientes medios en la fracción especificada de las
estimaciones simples de OLS o TSLS, mientras que Zero establece los coeficientes medios en cero.
Los coeficientes para los términos ARMA siempre se establecen en valores fijos arbitrarios de 0,0025 para los
términos ARMA ordinarios y 0,01 para los términos ARMA estacionales.
Para que pueda establecer de manera útil los valores iniciales especificados por el usuario, necesitará un poco más de
información sobre cómo EViews asigna coeficientes para los términos ARMA.
EViews asigna números de coeficiente a las variables en el siguiente orden:
• Primero están los coeficientes de las variables, en orden de entrada.
• El siguiente es el coeficiente ARFIMA.
• Luego vienen los términos AR en el orden de entrada.
• Los coeficientes SAR, MA y SMA siguen, en ese orden.
(Después de la estimación, siempre puede ver la asignación de coeficientes mirando la vista Representaciones de su
ecuación).
Así, las siguientes dos especificaciones tendrán sus coeficientes en el mismo orden:
ycx ma(2) ma(1) sma(4) ar(1)

y sma(4) coche(1) ma(2) x ma(1)
De forma predeterminada, EViews utiliza el vector de coeficiente C incorporado, pero esto se puede anular (consulte
“Nombre del coeficiente” en la página 122). Para establecer valores iniciales, puede editar los elementos correspondientes
del vector de coeficientes en el archivo de trabajo, o también puede asignar valores en el vector usando el comando param :
parámetro c(1) 50 c(2) .8 c(3) .2 c(4) .6 c(5) .1 c(6) .5
Los valores iniciales serán 50 para la constante, 0,8 para X, 0,2 para AR(1), 0,6 para MA(2), 0,1 para MA(1) y 0,5 para
SMA(4).
retroceso
Si su especificación incluye términos de MA y el método de estimación de ARMA es CLS, EViews mostrará una casilla de
verificación para usar o no retrospectiva para inicializar las innovaciones de MA. De manera predeterminada, EViews
realiza una retrospectiva como se describe en “Inicialización de las innovaciones de MA” en la página 144, pero puede
anular la selección de esta opción para establecer las innovaciones previas a la muestra en su expectativa incondicional de
cero.
La sección Covarianza del coeficiente de la página controla el cálculo de las estimaciones de la precisión de las estimaciones
de su coeficiente.
Las opciones disponibles dependerán del método de estimación ARMA.
• Para la estimación ML o GLS, las covarianzas siempre se calculan tomando la inversa de una estimación
de la matriz de información.
La configuración predeterminada para la estimación de la matriz de información usa el producto

externo de los gradientes (OPG), pero en su lugar puede usar el menú desplegable para usar el Hessian
observado (Hessian - observado).
• Para la estimación de CLS , puede elegir un método de Covarianza utilizando el menú desplegable
menú.
El método Ordinario por defecto toma la inversa de la estimación de la matriz de información.

Alternativamente, puede optar por calcular Huber-White o HAC (Newey-West)
covarianzas sándwich.
En el último caso, EViews mostrará un botón de opciones HAC que puede usar para acceder a varias
configuraciones para controlar la estimación de covarianza a largo plazo.
El menú desplegable Matriz de información le ofrecerá la opción de calcular la estimación de la matriz

de información utilizando el producto externo de los gradientes (OPG) o el Hessian observado (Hessian
- observado).
Si selecciona la estimación GLS o CLS, la matriz de covarianza empleará, de forma predeterminada, una
corrección de grado de libertad. Si selecciona la estimación ML, el cálculo predeterminado no empleará la
corrección del grado de libertad. En los tres casos, la casilla de verificación Ajuste df se puede utilizar para
modificar el cálculo.
Algoritmo de estimación
EViews proporciona una serie de opciones que le permiten controlar el procedimiento iterativo del algoritmo de
estimación. En general, puede confiar en las opciones de EViews, pero en ocasiones puede desear anular la
configuración predeterminada.
La sección Algoritmo de estimación del cuadro de diálogo contiene configuraciones para la optimización
numérica de su función objetivo de probabilidad o mínimos cuadrados.
De forma predeterminada, EViews estima los modelos ARMA y ARFIMA utilizando el algoritmo Broyden, Fletcher, Gold
farb y Shanno (BFGS). Puede usar el menú desplegable Método de optimización para seleccionar un método diferente:
• Para los modelos estimados usando ML y GLS, puede optar por estimar su modelo usando BFGS, OPG-
BHHH (Gauss-Newton usando el producto externo del gradiente),
Kohn-Ansley (transformación a modelo de regresión pseudo-GLS) y Newton-Raph
hijo.
• Para los modelos estimados mediante CLS, puede elegir entre BFGS, Gauss-Newton, Newton-Raphson y
EViews. Este último emplea OPG/BHHH con un ajuste diagonal de Marquardt.
• Para todos menos los EViews, la combinación de métodos de pasos le permite elegir entre los pasos
predeterminados determinados por Mar quardt, Dogleg y Line Search . El método predeterminado es Mar
quardt.
Además, puede usar los campos de edición Iteraciones máximas y Tolerancia de convergencia para cambiar las
reglas de parada de su configuración predeterminada global. Comprobación de la configuración de la pantalla
en el cuadro de salida le indica a EViews que coloque información sobre los valores iniciales y otras configuraciones de
optimización en la parte superior de la salida de su ecuación.
Nombre del coeficiente
Para las ecuaciones especificadas por lista, EViews utilizará, de forma predeterminada, el vector C integrado para
mantener estimaciones de coeficientes. Puede cambiar esta asignación ingresando el nombre de un objeto de coeficiente
en el campo de edición del nombre del coeficiente.
Si el coeficiente no existe, EViews lo creará y le dará el tamaño apropiado. Si el coeficiente ya existe, se redimensionará
si es necesario para que sea lo suficientemente grande como para contener los resultados. Si un objeto de un tipo
diferente con ese nombre está presente en el archivo de trabajo, EViews emitirá un mensaje de error.
Ecuación especificada por expresión
Si su ecuación se especifica por expresión, al hacer clic en la pestaña Opciones se muestra una página de diálogo
que ofrece un subconjunto de las configuraciones que están disponibles para las ecuaciones especificadas por lista.
Puede utilizar la página para controlar el cálculo de la covarianza del coeficiente, el método de optimización,
los valores iniciales del coeficiente ARMA y el nombre del coeficiente predeterminado.
La sección Coeficiente de covarianza de la página le permite especificar un método de Covarianza

utilizando el menú desplegable. Puede optar por calcular las covarianzas sándwich ordinarias
predeterminadas, Huber White o HAC (Newey-West) . Si selecciona HAC (Newey-West), EViews
mostrará un botón de opciones de HAC que puede usar para acceder a varias configuraciones para
controlar la estimación de covarianza a largo plazo.
Como antes, el menú desplegable Matriz de información le ofrecerá la opción de calcular la estimación
de la matriz de información utilizando el producto externo de los gradientes (OPG) o el Hessian observado
(Hessian - observado).
De forma predeterminada, EViews aplicará una corrección de grado de libertad a la matriz de covarianza
estimada. Puede desmarcar la casilla de verificación Ajuste df para eliminar esta corrección.
Algoritmo de estimación
De forma predeterminada, EViews estima los modelos ARMA y ARFIMA por expresión utilizando BFGS.
Puede usar el menú desplegable Método de optimización para elegir entre BFGS, Gauss-Newton,
Newton-Raphson y EViews, el último de los cuales emplea Gauss-Newton con un ajuste diagonal de
Mar quardt.
En su caso, el combo del método Paso le permite elegir entre los pasos predeterminados Mar
quardt, Dogleg y Line Search determinados.
Los campos de edición Máximo de iteraciones y Tolerancia de convergencia se pueden usar para limitar el número
de iteraciones y establecer la regla de detención del algoritmo. Comprobación de la configuración de la pantalla
en el cuadro de salida le indica a EViews que coloque información sobre los valores iniciales y otras configuraciones
de optimización en la parte superior de la salida de su ecuación.
Método ARMA
No podrá especificar un método ARMA ya que las ecuaciones ARMA especificadas por expresión solo pueden usar el
objetivo CLS.
Valores iniciales
El menú desplegable del valor inicial le permite elegir entre el OLS/TLS predeterminado y 0,8 x OLS/TSLS, 0,5 x OLS/
TSLS, 0,3 x OLS/TSLS, cero y especificado por el usuario.
Para las variantes de OLS/TSLS, EViews inicializará los coeficientes medios en la fracción especificada de las
estimaciones simples de OLS o TSLS (ignorando los términos ARMA), mientras que Zero establece los coeficientes
medios en cero. Los coeficientes para los términos ARMA siempre se establecen en valores fijos arbitrarios de 0,0025
para los términos ARMA ordinarios y 0,01 para los términos ARMA estacionales.
Para la selección especificada por el usuario , los coeficientes se inicializan a partir de los valores del vector de
coeficientes en el archivo de trabajo.
Salida de estimación
EViews muestra una variedad de resultados en la vista de salida después de la estimación.
La parte superior de la salida muestra información sobre la técnica de optimización, el método de estimación ARMA, el
cálculo de la covarianza del coeficiente y, si se solicita, los valores iniciales utilizados para iniciar el procedimiento de
optimización.
Variable dependiente: DLOG(PNB)

Método: probabilidad máxima de ARMA (BFGS)
Fecha: 06/02/15 Hora: 10:20
La siguiente sección muestra los coeficientes estimados, los errores estándar de los coeficientes y las estadísticas
t. Además de las estimaciones de los coeficientes ARMA, EViews mostrará estimaciones del parámetro de integración
fraccional para los modelos ARFIMA y la estimación de la varianza del error si el método de estimación ARMA es de
máxima verosimilitud, denominado SIGMASQ.
Salida de estimación: 125
C 0.008051 0.003814 2.111053 0.0362

D 0.288756 0.057164 5.051407 0.0000
Todos estos resultados pueden interpretarse de la manera habitual.
En la sección directamente debajo de las estimaciones de los coeficientes se encuentran las estadísticas
descriptivas usuales para la variable dependiente, junto con una variedad de estadísticas descriptivas y de
resumen para la ecuación estimada.
R-cuadrado 0,099981 Var dependiente media 0.008032

R-cuadrado ajustado SE 0,094656 Var dependiente SD 0,010238 0.010760
de regresión Suma Criterio info de Akaike 0,017713 Criterio -6.312490
cuadrada resid Logaritmo de Schwarz 541,7179 Criterio de Hannan- -6.275746
de probabilidad Quinn. -6.297581
Prob(estadístico F) 0.000025
Tenga en cuenta que todos los resultados del resumen de la ecuación que involucran residuos difieren
de los calculados en la configuración estándar de OLS, por lo que se debe tener cuidado al interpretar los
resultados. Para comprender los problemas, tenga en cuenta que hay dos residuales diferentes asociados
con un modelo ARMA. Los primeros son los residuos incondicionales estimados :
uˆt ÿ –Ytÿbˆ
Xt , (22.47)
que se calculan utilizando las variables explicativas originales y los coeficientes estimados, bˆ
. Estos residuos son los errores que obtendrías si hicieras una predicción del valor de Yt
usando información contemporánea ignorando la información contenida en los residuos
rezagados.
En general, hay pocas razones para examinar los residuos incondicionales y EViews no los calcula
automáticamente después de la estimación.
y
El segundo conjunto de residuales son los errores de pronóstico estimados de un período por delante, .
Como sugiere el nombre, estos residuales representan los errores de pronóstico que cometería si
calculara pronósticos usando una predicción de los residuales basada en valores pasados de sus datos,
además de la información contemporánea. En esencia, usted mejora los pronósticos y residuales
incondicionales aprovechando el poder predictivo de los residuales rezagados.
Para los modelos ARMA, los residuos calculados y todas las estadísticas de regresión basadas en residuos
el R2 , son el error estándar de regresión y el estadístico de Durbin-Watson, tics, como
eh
informados por EViews se basan en los errores de pronóstico estimados de un período por delante, .
Por último, para ayudar en la interpretación de los resultados de los modelos ARMA y ARFIMA, EViews
muestra las raíces recíprocas de los polinomios AR y MA en el bloque inferior de los resultados.
EViews informa estas raíces como Raíces AR invertidas y Raíces MA invertidas en la parte inferior de la
salida de regresión. Para nuestro modelo ARMA general con los polinomios de retardo rÿ ÿ L y
vÿ ÿ L, las raíces reportadas son las raíces de los polinomios:
– –1
1 ÿr x ÿ ÿ 0 y ÿvx ÿÿ0 . (22.48)
Las raíces, que pueden ser imaginarias, deben tener un módulo no mayor que uno. La salida mostrará un
mensaje de advertencia si alguna de las raíces viola esta condición.
Si tiene
r una raíz real cuyo valor absoluto supera a uno o un par de raíces recíprocas complejas fuera del
círculo unitario (es decir, con módulo mayor que uno), significa que el proceso autorregresivo es explosivo.
Por ejemplo, en el modelo AR(1) simple, el parámetro estimado es el coeficienterˆ de correlación serial de los
residuos incondicionales. Para un modelo AR(1) estacionario, la verdad se encuentra entre –1 (correlación
r
serial negativa extrema) y +1 (correlación serial positiva extrema).
Si tiene
en raíces recíprocas fuera del círculo unitario, decimos que el proceso MA no es invertible, lo que
dificulta la interpretación y el uso de los resultados MA. Sin embargo, la no invertibilidad no plantea ningún
problema sustantivo, ya que, como señala Hamilton (1994a, p. 65), siempre hay una representación
equivalente para el modelo MA donde las raíces recíprocas se encuentran dentro del círculo unitario.
En consecuencia, debe intentar volver a estimar su modelo con diferentes valores iniciales hasta que
obtenga un proceso de promedio móvil que satisfaga la invertibilidad. De forma alternativa, puede desactivar
el backcasting de MA (consulte “Inicialización de las innovaciones de MA” en la página 144).
Si el proceso MA estimado tiene raíces con un módulo cercano a uno, es una señal de que puede haber
sobrediferenciado los datos, lo que introdujo una raíz unitaria MA. El proceso será difícil de estimar y aún
más difícil de pronosticar. Si es posible, debe volver a estimar con una ronda menos de diferenciación, tal
vez usando ARFIMA para tener en cuenta la dependencia a largo plazo.
Considere el siguiente ejemplo de salida de la estimación ARMA:

Diagnóstico de ecuaciones—127
Variable dependiente: PC
Fecha: 01/03/15 Hora: 15:25
Muestra: 1954M01 1993M07
C 5,836704 1,750241 3,334801 0,007755 0.0009

AR(1) 0,973815 125,5649 0,049713
0,016635
4,537146 0.0000
RAE(4) 0,225555 28,04168 0,043602
0,007393
-7,911135 0.0000
Y 1) 0,466481 33,72769 0.0000
Y(4) -0,344940 0.0000
no podemos 0,249337 0.0000

de regresión Suma Criterio Akaike info 118,4349 Criterio 1.483257
cuadrada resid Logaritmo Schwarz -346,2736 Criterio Hannan- 1.535846
de probabilidad Quinn. 1.503938
Raíces AR invertidas .97 .69 .00-.69i -.00+.69i

-.69
Raíces MA invertidas .67 - .11+.74i -.11-.74i -.92
Este resultado de la estimación corresponde a la siguiente especificación,
yt ÿ 5.84 ÿ ut
(22.49)
– ÿ – y
1 0,97 – L 1 0,23L4 ÿ ÿ ÿ 1 0.47 ÿ L 1 0.34L4 ÿ t
o equivalentemente, a:
–
ÿ
yt 0.118 0.97yt – 1 0.23yt – 4 0.22yt – 5 ÿ y (22.50)
–
ÿ 0,47 et – 1 0,34 –
et – 4 0.17et – 5
Tenga en cuenta los signos de los términos MA, que pueden estar al revés de los de algunos libros de texto. Tenga en
cuenta también que las raíces AR invertidas tienen módulos muy cercanos a uno, lo cual es típico para muchos modelos
de macro series de tiempo.
Diagnóstico de ecuaciones
Además de las vistas y procesos habituales para una ecuación, como elipses de confianza de coeficiente,
pruebas de Wald, pruebas de variables omitidas y redundantes, EViews ofrece diagnósticos para examinar las
propiedades de su modelo ARMA y las propiedades de las innovaciones estimadas.
Estructura ARMA
Este conjunto de vistas brinda acceso a varias vistas de diagnóstico que lo ayudan a evaluar la estructura de la
porción ARMA de la ecuación estimada. Actualmente, la vista solo está disponible para modelos especificados por
lista que incluye al menos un término AR o MA y estimado por mínimos cuadrados. Hay tres vistas disponibles: raíces,
correlograma y respuesta de impulso.
Para mostrar la estructura ARMA, seleccione Ver/

Estructura ARMA... desde el menú de un
ecuación estimada. Si el tipo de ecuación es

compatible con esta vista y no hay componentes
ARMA en la especificación, EViews abrirá el cuadro
de diálogo Vistas de diagnóstico ARMA :
En el lado izquierdo del cuadro de diálogo, seleccionará

uno de los tres tipos de diagnóstico.
Cuando hace clic en uno de los tipos, el lado
derecho del cuadro de diálogo cambiará para mostrarle las opciones para cada tipo.
Raíces
La vista de raíces muestra las raíces inversas del polinomio característico AR y/o MA.
Las raíces se pueden mostrar como un gráfico o como una tabla seleccionando el botón de radio apropiado.
La vista de gráfico traza las raíces en el plano complejo donde el eje horizontal es la parte real y el eje vertical es
la parte imaginaria de cada raíz.
Si el proceso ARMA estimado es

(covarianza) estacionario, entonces todas las
raíces AR deben estar dentro del círculo unitario.
Si el proceso ARMA estimado es invertible,

entonces todas las raíces MA deben estar
dentro del círculo unitario. La vista de la tabla
muestra todas las raíces en orden de módulo

decreciente (raíz cuadrada de la suma de los
cuadrados de las partes real e imaginaria).
Para raíces imaginarias (que vienen

en pares conjugados), también
mostramos el ciclo correspondiente a
esa raíz. El ciclo se calcula
dondecomo
2p
, ÿa
, lasi partesr imaginaria y real de la raíz, respectivamente.

a ÿ atanÿ ÿyÿyirson
El ciclo para una raíz real es infinito y no se informa.
Raíces inversas de polinomio(s) AR/MA

Especificación: RC AR(1) SAR(4) MA(1) MA(4)
Fecha: 03/01/15 Hora: 16:19
Muestra: 1954M01 1994M12
Raíces AR Módulo Ciclo
0,987785 0,987785
0,617381 0,617381
-0,617381 0,617381
2,60e-17 ± 0,617381i 0,617381 4.000000
Ninguna raíz se encuentra fuera del círculo unitario.
El modelo ARMA es estacionario.
Raíces MA Módulo Ciclo
-0,815844 0,815844
-0,112642 ± 0,619634i 0,629790 3.589119
0,557503 0,557503
Ninguna raíz se encuentra fuera del círculo unitario.

El modelo ARMA es invertible.
Correlograma
La vista de correlograma compara el patrón de relación

de autocor de los residuos estructurales y el del
modelo estimado para un número específico de
períodos (recuerde que los residuos estructurales son
los residuos después de
eliminando el efecto de los regresores exógenos
ajustados pero no los términos ARMA). Para un
modelo correctamente especificado, las
autocorrelaciones residuales y teóricas (estimadas) y
las autocorrelaciones parciales deben ser "cercanas".
Para realizar la comparación, simplemente seleccione el diagnóstico de Correlograma , especifique una

cantidad de retrasos para evaluar y un formato de visualización (Gráfico o Tabla).
Aquí, hemos especificado una comparación

gráfica sobre 24 períodos/desfases. La vista de
gráfico representa las autocorrelaciones y las
autocorrelaciones parciales de los residuos
estructurales de la muestra y las que están
implícitas en los parámetros ARMA estimados.
Si el modelo ARMA estimado no es estacionario,
solo se trazan los segundos momentos de
muestra de los residuos estructurales.
La vista de tabla muestra los valores numéricos

para cada uno de los segundos
momentos y la diferencia entre los teóricos
estimados. Si el
El modelo ARMA estimado no es estacionario,
los segundos momentos teóricos implícitos de

los parámetros ARMA estimados se llenarán con NA.
Tenga en cuenta que la vista de tabla comienza desde el retraso cero, mientras que la vista de gráfico comienza desde el retraso uno.
Respuesta impulsiva
La vista de respuesta de impulso de ARMA rastrea la respuesta de la parte ARMA de la ecuación estimada a las
perturbaciones en la innovación.
Una función de respuesta de impulso rastrea la respuesta a un choque único en la innovación.

La respuesta acumulada es la suma acumulada de las respuestas de impulso. Puede interpretarse como la respuesta
a un impulso escalonado en el que se produce el mismo choque en todos los períodos desde el primero.
Para calcular la respuesta de impulso (y las respuestas

acumuladas), seleccione el diagnóstico de respuesta
de impulso , ingrese el número de períodos y el tipo de
visualización, y defina la descarga. Para este último,
tiene la opción de usar un shock de una desviación
estándar (usando el error estándar de la regresión para
la ecuación estimada) o proporcionar un valor especificado
por el usuario. Tenga en cuenta que si selecciona un shock
de una desviación estándar, EViews tendrá en cuenta la
incertidumbre de la innovación al estimar los errores
estándar de las respuestas.
Si el modelo ARMA estimado es sta
cionario, las respuestas de impulso serán

asíntota a cero, mientras que las respuestas
acumuladas serán asíntota a su valor de largo
plazo. Estos valores asintóticos se mostrarán
como puntos horizontales.
líneas zonales en la vista de gráfico.
Para un proceso altamente persistente cerca

de la raíz unitaria pero estacionario, es posible
que los totales asíntomáticos no se dibujen en
el gráfico para un horizonte corto. Para una
vista de tabla, los valores asintóticos (junto con
sus errores estándar) se mostrarán en la parte
inferior de la tabla. Si el esti
El proceso ARMA acoplado no es estacionario,

los valores asintóticos no se mostrarán porque
no existen.
Espectro de frecuencia ARMA
La vista de espectro de frecuencia ARMA de una ecuación ARMA muestra el espectro de los términos ARMA
estimados en el dominio de frecuencia, en lugar del dominio de tiempo típico. Mientras que ver los términos ARMA en
el dominio del tiempo le permite ver las funciones de autocorrelación de los datos, verlos en el dominio de la frecuencia
le permite observar características cíclicas más complicadas.
El espectro de un proceso ARMA se puede escribir como una función de su frecuencia, donde l se mide en radianes
y, por lo tanto, toma valores de a . Sin embargo, dado que el espectro
es simétrico alrededor de 0, EViews lo muestra en el rango ÿ ÿ 0, p .
Para mostrar el espectro de frecuencia, seleccione Ver/Estructura ARMA... en la barra de herramientas de

ecuaciones, elija Espectro de frecuencia en el cuadro de lista Seleccionar un diagnóstico y luego seleccione un
formato de visualización (Gráfico o Tabla).
Si una serie es ruido blanco, el espectro de frecuencia debe ser plano, es decir, una línea horizontal.
Aquí mostramos el gráfico de una serie generada como normales aleatorias y, de hecho, el gráfico es aproximadamente
una línea plana.
Si una serie tiene fuertes componentes AR, la forma del espectro de frecuencias contendrá picos en puntos de
altas frecuencias cíclicas. Aquí mostramos un modelo AR(2) típico, donde los datos se generaron de manera que r1 ÿ
0.7 y r2 ÿ –0.5 .
Estadísticas Q
Si su modelo ARMA está correctamente especificado, los residuos del modelo deberían ser casi un ruido blanco.
Esto significa que no debe quedar ninguna correlación serial en los residuos. los
La estadística de Durbin-Watson informada en el resultado de la regresión es una prueba para AR(1) en ausencia de
variables dependientes rezagadas en el lado derecho. Como se explica en “Correogramas y Q-statistics” en la página
108, se pueden realizar pruebas más generales para la correlación en serie en los residuos con View/Residual
Diagnostics/Correlogram-Q-statistic y View/Residual Diag nostics/Serial Correlation LM Test ….
Ejemplos—133
Para el modelo ARMA estacional de ejemplo, el correlograma residual de 12 períodos tiene el siguiente aspecto:
El correlograma tiene un pico significativo en el retraso 5, y todas las estadísticas Q subsiguientes son muy
significativas. Este resultado indica claramente la necesidad de una reespecificación del modelo.
Ejemplos
Para ilustrar la estimación de las especificaciones ARIMA y ARFIMA en EViews, consideramos ejemplos de
Sowell (1992a) que modelan el logaritmo natural del PIB real trimestral de EE. UU. de posguerra desde 1947q1
hasta 1989q4. Sowell estima una serie de modelos que se comparan utilizando AIC y SIC. Nos centraremos en
las especificaciones ARMA(3, 2) y ARFIMA(3, , 2) (Tabla 2, p. 288 y Tabla 3, p. 289). d
Para estimar el ARMA(3, 2) abrimos un diálogo de ecuación seleccionando Objeto/Nuevo Objeto/

Ecuación, seleccionando Quick/Estimate Equation..., o escribiendo la ecuación de palabra clave de
comando en la línea de comando. EViews mostrará el cuadro de diálogo de mínimos cuadrados:
Ingresamos la expresión de la variable dependiente, seguida de los términos AR y MA usando rangos que incluyen
todos los términos deseados y C para indicar que deseamos incluir una intersección. A continuación, hacemos clic en
la pestaña Opciones para mostrar la configuración de la estimación.
En primer lugar, le indicamos a EViews que calcule los errores estándar de los coeficientes utilizando el hessiano
observado configurando el menú desplegable de la matriz de información en Hessian - observado. Además,
configuramos el método de optimización en BFGS, la tolerancia de convergencia en "1e-8" y el método ARMA en
ML. Haga clic en Aceptar para estimar el modelo.
Ejemplos—135
EViews realizará la estimación iterativa de máxima verosimilitud utilizando BFGS y mostrará los resultados de la
estimación:

Fecha: 03/01/15 Hora: 20:18
Covarianza del coeficiente calculada utilizando Hessian observado
C 0.008008 0.001189 6.732176 0.148087 0.0000

AR(1) 0.599278 4.046797 0.178976
0.104632
-3.750983 0.0001
AR(2) -0.671335 1.315814 0.121744 -2.280545 0.0002
AR(3) 0.137677 0.118172 6.718800
9.245754
9.99E-06 0.1901
Y 1) -0.277643 0.0239
Y 2) 0.793977 0.0000
no podemos 9.24E-05 0.0000

de regresión Suma Criterio Akaike info 0,015801 Criterio -6.366372
cuadrada resid Logaritmo Schwarz 551,3248 Criterio Hannan-Quinn. -6.237766
de probabilidad -6.314189
Raíces AR invertidas .24 .18+.74i .18-.74i

Raíces MA invertidas .14+.88i .14-.88i
La parte superior de la salida muestra información sobre el método de estimación, la optimización y el cálculo de
la covarianza.
La siguiente sección contiene las estimaciones de los coeficientes, los errores estándar, las estadísticas t y el
valor p correspondiente. (Vale la pena señalar que los coeficientes ARMA informados usan una convención de
signos diferente a la de Sowell, por lo que todos los coeficientes ARMA tienen el signo opuesto).
Tenga en cuenta que dado que estimamos el modelo usando ML, EViews muestra la estimación de la varianza
del error como uno de los coeficientes estimados. Debe tener en cuenta que el valor p informado por EViews
para SIGMASQ es para la prueba bilateral, a pesar de que SIGMASQ no debe ser negativo. (Si lo desea, puede
usar el coeficiente informado, el error estándar y la función @CTDIST para calcular el valor p unilateral apropiado).
La sección final muestra las raíces AR y MA invertidas.
Puede ser instructivo comparar estos resultados con los obtenidos a partir de un enfoque alternativo de mínimos
cuadrados condicionales para estimar la especificación. Para volver a estimar su ecuación usando CLS, haga
clic en el botón Estimar para abrir el cuadro de diálogo, luego en la pestaña Opciones para mostrar las opciones
de estimación. En la sección ARMA de la página, tenemos:
Seleccione CLS en el menú desplegable Método y haga clic en Aceptar para estimar la nueva especificación.
Haga clic en Aceptar para aceptar los cambios y volver a estimar el modelo.

Método: Mínimos cuadrados condicionales de ARMA (BFGS/Pasos de Marquardt)
Fecha: 03/01/15 Hora: 21:00
Muestra (ajustada): 1948Q1 1989Q4
Retrospectiva MA: 1947Q3 1947Q4
C 0,007994 0,001254 6,373517 0,176602 0.0000

AR(1) 0,563811 3,192556 0,161797 -4,160159
0,108283 0.0017
AR(2) -0,673101 1,463812 0,153644 -1,576346 0.0001
AR(3) 0,158506 0,098533 8,266750 0.1452
Y 1) -0,242197 0.1169
Y 2) 0,814550 0.0000

Raíces AR invertidas .27 .15-.76i .15+.76i

Raíces MA invertidas .12 - .89i .12+.89i
La parte superior de la salida de la nueva ecuación ahora informa que la estimación se realizó con CLS y que los
errores de MA se inicializaron con retrospectiva. A pesar de los diferentes objetivos, vemos que las estimaciones del
coeficiente CLS ARMA son generalmente bastante similares a las obtenidas a partir de la estimación ML exacta. Por
último, observamos que la estimación de la varianza no se informa como parte de la salida del coeficiente para la
estimación de CLS.
A continuación, siguiendo a Sowell, estimamos un ARFIMA(3, , 2). d

Una vez más, haga clic en Estimar
botón para abrir el cuadro de diálogo:
Ejemplos—137
y agregue la palabra clave especial d a la lista de regresores para decirle a EViews que desea
estimar el parámetro de integración fraccional. Haga clic en Aceptar para estimar la ecuación actualizada.

Fecha: 03/01/15 Hora: 21:18
C 0,007886 0,000373 21.15945 0.0000

D -0,606793 0,306851 -1.977481 0.0497
AR(1) 1,195165 0,351233 3.402768 0.0008
AR(2) -0,939049 0,295641 -3.176311 0.0018
AR(3) 0,516754 0,178254 2.898971 0.0043
Y 1) -0,291411 0,125001 -2.331272 0.0210
Y 2) 0.811038 0,114772 7.066532 0.0000
no podemos 9.02E-05 9,76E-06 9.239475 0.0000

Raíces AR invertidas .82 .19+.77i .19-.77i

Raíces MA invertidas .15-.89i .15+.89i
Observe primero que EViews ha cambiado de la estimación CLS a ML, ya que los modelos ARFIMA solo se pueden
estimar mediante ML o GLS.
Volviendo a la estimación del parámetro de diferenciación fraccionaria, vemos que es negativo y

estadísticamente significativo diferente de cero al nivel del 5%. Por lo tanto, podemos rechazar la hipótesis
de la raíz unitaria bajo esta especificación. Alternativamente, no podemos rechazar la hipótesis nula de la
.
tendencia temporal de que d ÿ –1.0
(Nota: los resultados informados en Sowell difieren ligeramente, presumiblemente debido a las diferencias en el
procedimiento de optimización no lineal en general, y la estimación del hessiano observado en particular; por si
sirve de algo, la probabilidad de EViews es ligeramente mayor que la probabilidad informada por Sowell. En particular,
las conclusiones de Sowell difieren ligeramente de las descritas aquí, ya que encuentra que las hipótesis de la raíz
unitaria y la tendencia son consistentes con las estimaciones de ARFIMA. Sowell no rechaza el cero nulo al nivel del
5%, pero sí lo rechaza al nivel del 5%. nivel del 10 % Consulte Sowell para obtener una interpretación detallada de
los resultados.)
Temas adicionales
Lidiar con problemas de estimación
Dado que EViews usa algoritmos de estimación no lineal para estimar modelos ARMA, toda la discusión en el Capítulo
20, “Resolución de problemas de estimación” en la página 59, es aplicable, especialmente el consejo de probar
valores iniciales alternativos.
Hay algunas otras cuestiones a considerar que son específicas de la estimación de ARMA y
modelos ARFIMA.
Primero, los modelos MA son notoriamente difíciles de estimar. En particular, debe evitar los términos MA de alto
orden a menos que sean absolutamente necesarios para su modelo, ya que es probable que causen dificultades de
estimación. Por ejemplo, un solo pico grande de autocorrelación en el retraso 57 en el correlograma no necesariamente
requiere que incluya un término MA(57) en su modelo a menos que sepa que algo especial sucede cada 57 períodos.
Es más probable que el pico en el correlograma sea simplemente el producto de uno o más valores atípicos en la
serie. Al incluir muchos términos MA en su modelo, pierde grados de libertad y puede sacrificar la estabilidad y
confiabilidad de sus estimaciones.
Si las raíces subyacentes del proceso MA tienen un módulo cercano a uno, puede encontrar dificultades de
estimación, con EViews informando que no puede mejorar la suma de cuadrados o que no logró converger en el
número máximo de iteraciones. Este comportamiento puede ser una señal de que ha sobrediferenciado los datos.
Debe verificar el correlograma de la serie para determinar si puede volver a estimar con una ronda menos de
diferenciación.
Por último, si continúa teniendo problemas, es posible que desee desactivar el backcasting MA.
Temas adicionales—139
Para ver una discusión sobre cómo estimar las especificaciones de TSLS con errores ARMA, consulte “Mínimos
cuadrados no lineales de dos etapas” en la página 76.
Modelos no lineales con errores ARMA
EViews estimará modelos de mínimos cuadrados ordinarios y de dos etapas no lineales con términos de error
autorregresivos. Para obtener detalles, consulte la discusión en “Mínimos cuadrados no lineales”, que comienza en la
página 51.
Modelos ponderados con errores ARMA

EViews no ofrece procedimientos integrados para estimar automáticamente modelos ponderados con términos de
error ARMA. Por supuesto, siempre puede construir series ponderadas y luego realizar una estimación utilizando los
datos ponderados y los términos ARMA. Tenga en cuenta que este procedimiento implica una suposición muy
específica sobre las propiedades de sus datos.
Modelos de regresión en dos etapas con correlación serial

Al combinar mínimos cuadrados de dos etapas o mínimos cuadrados no lineales de dos etapas con términos AR,
puede estimar modelos en los que existe una correlación entre los regresores y las innovaciones, así como una
correlación serial en los residuos.
Si el modelo de regresión original es lineal, EViews utiliza el algoritmo de Marquardt para estimar los parámetros de
la especificación transformada. Si el modelo original no es lineal, EViews usa Gauss-Newton para estimar la
especificación corregida de AR.
Para obtener más detalles sobre los algoritmos y problemas relacionados asociados con la elección de instrumentos,
consulte la discusión en "TSLS con errores AR", que comienza en la página 73.
Modelos no lineales con errores ARMA
EViews puede estimar modelos de regresión no lineal con errores ARMA. Por ejemplo, suponga que desea estimar la
siguiente especificación no lineal con un error AR(2):
c2
CStÿ c1
ÿ PIBt ÿ fuera
(22.51)
c4ut – 2 eÿ tÿ c3ut – 1
ÿ
afuera
Simplemente especifique su modelo utilizando expresiones de EViews, seguidas de un término aditivo que describa
la corrección AR entre corchetes. El término AR debe contener una asignación de coeficiente para cada retardo AR,
separados por comas:
cs = c(1) + pib^c(2) + [ar(1)=c(3), ar(2)=c(4)]
EViews transforma este modelo no lineal por diferenciación y estima la especificación no lineal transformada mediante
un procedimiento iterativo de Gauss-Newton (consulte “Inicialización de los errores AR” en la página 142).
Detalles del método de estimación
En “Método ARMA” en la página 118 , describimos cómo EViews le permite elegir entre estimación de máxima
verosimilitud (ML), mínimos cuadrados generalizados (GLS) y mínimos cuadrados condicionales (CLS) para la
estimación ARIMA y ARFIMA.
Recuerde que para el modelo general ARIMA(

, pdq
, )tenemos
d
rÿ ÿ L ÿ 1- L ÿ ÿ Yt
ÿ –mt ÿ
vÿ ÿ L y t
(22.52)
vÿ ÿ L e t
ÿ
rÿ ÿ L como
para los residuos incondicionales

d
afuera
ÿ
ÿ
1–Lÿ ÿ Yt mt
– ÿ
(22.53)
ÿ
ÿd Yt ÿd– Xt ÿb
e innovaciones
y ÿ –
salida r1salida – 1
– – ÿ ÿ (22.54)
ÿ rput p – v1et – 1 vqe q- _
Usaremos las expresiones para los residuos incondicionales y las innovaciones para describir tres funciones
objetivo que pueden usarse para estimar el modelo ARIMA.
(Para simplificar la notación, nuestra discusión se abstrae de los términos y coeficientes de SAR y SMA. Es
sencillo permitir la inclusión de estos términos estacionales).
Máxima probabilidad (ML)

La estimación de los modelos ARIMA y ARFIMA a menudo se realiza mediante la máxima verosimilitud exacta
asumiendo innovaciones gaussianas.
La función de verosimilitud gaussiana exacta para un modelo ARIMA o ARFIMA viene dada por
T 1 –
1
L brvj2 log ÿ d ÿ ,,, , ÿ
– ---logÿ ÿ 2p – --log Q --uÿQ–1 en
2 2 2
(22.55)
T 1
ÿ
– ---logÿ ÿ 2p – --log Q – Sÿ d ÿ ,,,
2 2
dónde ÿ ÿY2 ÿ YT ÿ ÿ,,, y ÿ ÿ ÿÿ ,,, u1 u2 ÿ uT , donde esqla matriz de covarianza

Y Y1 en
de Toeplitz simétrica para las extracciones T

del proceso ARMA/ARFIMA para los residuos incondicionales
(Doornik y Ooms 2003). Tenga en cuenta que la evaluación directa de esta función requiere la inversión de un
T Tÿ matriz
gran almacenamiento y razones computacionales. q no es práctica para grandes
que T para ambos
d un número entero conocido. El modelo ARFIMA trata como undparámetro

El modelo ARIMA se restringe a ser
estimable.
Detalles del método de estimación—141
ARIMA ML
Es bien sabido que para los modelos ARIMA donde es undnúmero entero conocido, podemos emplear el
filtro de Kalman para evaluar eficientemente la probabilidad. El filtro de Kalman funciona con la forma de
descomposición del error de predicción del espacio de estado de la probabilidad, lo que elimina la necesidad
invertir la matriz grande. de Q
Ver Hamilton (2004, Capítulo 13, p. 372) o Box, Jenkins y Reinsel (2008, 7.4, p. 275) para una discusión más
detallada.
ARFIMA ML
Sowell (1992) y Doornik y Ooms (2003) ofrecen descripciones detalladas de la evaluación de la probabilidad
para modelos ARFIMA. En particular, la evaluación práctica de la Ecuación (22.55)
requiere que abordemos varios problemas computacionales.
Primero, debemos calcular las autocovarianzas del proceso ARFIMA que aparecen en la Q
que implican una representación MA de orden infinito. Afortunadamente, Hosking (1981) y Sowell (1992)
describen alternativas de forma cerrada y Sowell (1992) deriva algoritmos recursivos eficientes utilizando
funciones hipergeométricas.
En segundo lugar, debemos calcular el determinante de la matriz de varianza y los residuos generalizados (varianza
inversa ponderada) de una manera que sea eficiente desde el punto de vista computacional y de almacenamiento.
Doornik y Ooms (2003) describen un algoritmo de Levinson-Durbin para realizar esta operación de
manera eficiente con un recuento mínimo de operaciones y eliminar la necesidad de almacenar el T Tÿ
completomatriz q
Tercero, donde sea posible seguimos a Doornik y Ooms (2003) en concentrar la probabilidad j2
b
con respecto a los coeficientes de regresión y el parámetro de escala.
Mínimos cuadrados generalizados (GLS)
Dado que la función de verosimilitud exacta en la ecuación (22.55) depende de los datos, y la media y los
parámetros ARMA solo hasta el último término de la expresión, podemos ignorar las constantes inesenciales
y el término determinante logarítmico para definir un objetivo generalizado de mínimos cuadrados función
Sÿ d,,,ÿ brv uÿQ–1 ÿ en (22.56)
y las estimaciones ARFIMA pueden obtenerse minimizando d ,,,

Sÿ ÿ .
Mínimos cuadrados condicionales (CLS)
Box y Jenkins (1976) y Box, Jenkins y Reinsel (2008, Sección 7.1.2 p 232.) señalan que, condicionado a los
valores previos a la muestra para los errores AR y MA, la función de probabilidad condicional normal puede
maximizarse mediante minimizando la suma de cuadrados de las innovaciones.
La ecuación de innovación recursiva en la Ecuación (22.54) es fácil de evaluar valores de parámetros dados,
valores rezagados de las innovaciones diferenciadas ,estimaciones
YtyXt , de las innovaciones rezagadas.
Tenga en cuenta, sin embargo, que ni el ni el pueden sustituirse en el primer período, ya que no están disponibles
afuera
hasta que comencemos la ecuación de diferencia.
Discutimos a continuación los métodos para iniciar la recursividad especificando valores de premuestra de
ut ety . Dados estos valores previos a la muestra, la función de verosimilitud condicional para normalmente
innovaciones distribuidas está dada por
T
T 1 2
ÿ --------
l brvj2 log ÿ ÿ ,,, 2 – logÿ --- 2pj ÿ –ÿ y
2 2 2j
t=1 (22.57)
T 1
ÿ
2 --- 2pj
– registroÿ ÿ – --------Sÿ ÿ ,brv, 2j
2 2
Observe que la función de verosimilitud condicional depende de los datos y de la media y

Parámetros ARMA solo a través de la función de mínimos cuadrados condicionales , ,
Sÿ ÿ brv , de modo que
probabilidad condicional puede maximizarse minimizando Sÿ ÿ brv

, ,la .
Los errores estándar de los coeficientes para la estimación de CLS son los mismos que para cualquier otra rutina
de mínimos cuadrados no lineales: inversa ordinaria de la estimación de la matriz de información, o un estimador
de covarianza tipo sándwich White Robust o Newey-West HAC. En los tres casos, se puede utilizar el producto
externo de Gauss-Newton de los jacobianos o el negativo de Newton-Raphson de la arpillera para estimar la matriz
de información.
En el resto de esta sección discutiremos la inicialización de la recursividad. EViews inicial
iza los errores de AR usando datos rezagados (ajustando la muestra de estimación si es necesario), e inicializa las
innovaciones de MA usando backcasting o la expectativa incondicional (cero).
Inicializar los errores AR

Considere un modelo de regresión AR( ) de la forma:
pags
Yt Xt ÿ ÿb ÿ ut
(22.58)
ÿ
2ÿr ÿ ÿÿ poner p – ÿ et ut r1ut – 1 r2ut –
por t ÿ 1 2,, , ÿ T . La estimación de este modelo utilizando mínimos cuadrados condicionales requiere com
putación de las innovaciones para ycada periodo de la muestra de estimación.
Podemos reescribir el modelo como
y
ÿ
– ÿ– 1 r2ut – 2ÿÿÿÿ
Yt Xt – ÿb r1ut r ÿponer p – (22.59)
por lo que podemos ver que necesitamos valores previos a la muestra para evaluar el proceso AR en t ÿ 1
pags
Normalmente, los mínimos cuadrados condicionales emplean valores retrasados de las variables en el modelo
para inicializar el proceso. Por ejemplo, para estimar un modelo AR(1), uno puede transformar el modelo lineal,
Detalles del método de estimación—143
Yt Xt ÿ ÿb ÿ ut
(22.60)
ÿ
ut rut – 1 ÿ e t
en
en un modelo no lineal sustituyendo la segunda ecuación en la primera, escribiendo ut – 1
términos de observables y términos de reordenamiento:
ÿ
Yt Xtÿbr ÿ ut – 1 ÿ e t
ÿ – ÿyt (22.61)
ÿ ÿ– 1 Xt – 1 ÿb ÿ ÿ ÿ rYt
Xtÿbr Yt
ÿ – ÿ
– 1 Xt rXt – 1 ÿÿ ser t
de modo que la recursión de innovación escrita en términos de observables viene dada por
ÿ – – (22.62)
y ÿ Yt rYt – 1 ÿ – ÿ Xt rXt – 1 ÿÿ b
Note que requerimos observación en Yt y Xt en el período anterior al inicio de la recursión.

Si estos valores no están disponibles, debemos ajustar el período de interés para que comience en t ÿ 2 de modo que los
valores de los datos observados en t ÿ 1 puede sustituirse en la ecuación para
obtener una expresión para u1 .
Las especificaciones AR de orden superior se manejan de manera análoga. Por ejemplo, un AR(3) no lineal se estima
utilizando mínimos cuadrados no lineales en las innovaciones dadas por:
ÿ
ÿ r1Yt – 1 r2Yt ÿ ÿ b r1 – f Xÿÿ r2 – f Xÿ
ÿ – 2 r ÿ 3Yt –f3Xÿ t , ÿr3b – f Xÿ bÿ (22.63)
Yt t - 1,
t - 2, t - 3, b ÿ eÿt
Es importante tener en cuenta que los libros de texto a menudo describen técnicas para estimar modelos AR lineales
como la Ecuación (22.58). Los enfoques más discutidos, los procedimientos de Cochrane-Orcutt, Prais-Winsten, Hatanaka
e Hildreth-Lu, son enfoques de varios pasos diseñados para que la estimación se pueda realizar mediante una regresión
lineal estándar. Estos enfoques proceden de obtener una estimación consistente inicial de los coeficientes AR y luego
estimar r
los coeficientes restantes a través de una regresión lineal de segunda etapa.
Todos estos enfoques tienen inconvenientes importantes que ocurren cuando se trabaja con modelos que contienen
variables dependientes rezagadas como regresores, o modelos que usan especificaciones AR de orden superior; ver
Davidson y MacKinnon (1993, p. 329–341), Greene (2008, p. 648–
652).
Por el contrario, los mínimos cuadrados condicionales de EViews estiman los coeficientes y se estiman
minimizando
simultáneamente
b la función
de suma de cuadrados no lineal Sÿ ÿ brv (que maximiza la probabilidad condicional). El enfoque de mínimos cuadrados
no lineales
ventaja
, , detiene
serla
fácil de entender, de aplicación general y fácil de extender a modelos que contienen variables endógenas del lado derecho
y a especificaciones medias no lineales.
Por lo tanto, para una especificación AR(1) media no lineal, EViews transforma el modelo no lineal,
Yt ÿ f Xÿ ÿ b tÿ, ut
(22.64)
ÿ
y
ut rut – 1 ÿ t
en la forma alternativa de regresión no lineal
Yt rYt – 1 ÿ
ÿ f Xÿ ÿt , brf–Xÿ t - 1, ÿ
ÿ ser t (22.65)
dando la especificación de innovación:
y – (22.66)
ÿ ÿ Yt rYt – 1 ÿ – ÿ f Xÿ ÿ b –t , rfXÿ t - 1, b ÿÿ
De manera similar, para AR de orden superior, tenemos:
y ÿ-
Yt r1Yt – 1 r2Yt –ÿ 2 r ÿ 3Yt – 3 b ÿ fÿ Xÿ ÿ ÿt b
,
(22.67)
ÿ – ÿ r1f Xÿt - 1, r2fÿ ÿXÿ ÿ b r3t -ÿ2,f Xÿ b t - 3, ÿ
Para obtener más detalles, consulte Fair (1984, p. 210–214) y Davidson y MacKinnon (1993, p. 331–341).
Inicialización de innovaciones MA
Considere un modelo de
q regresión MA( ) de la forma:
Yt Xt ÿ ÿb ÿ ut
(22.68)
afuera ÿÿ ÿ ÿÿ
et v1et – 1 v2et – 2 ÿ vqe q- _
para t ÿ 1 2,, , ÿ T . La estimación de este modelo utilizando mínimos cuadrados condicionales requiere el
cálculo de las innovaciones para cada
y período en la muestra de estimación.
Calcular las innovaciones es un proceso sencillo. Supongamos que tenemos una estimación inicial ÿ bˆ, vˆ de los
,
coeficientes, ÿ y estimaciones de los valores muestrales de preestimación de :y
ÿ eˆ– ÿ ÿ q – ,1 eˆ– ÿ ÿ q –,,2 ÿ eˆ0 ÿ (22.69)
Luego, después de calcular primero los residuos incondicionales hasta la ÿ

Yt Xt
– ÿbˆ , podemos usar para
recursividad para resolver los valores restantes de las innovaciones:
– (22.70)
uˆt vˆ 1eˆ – t - 1- ÿ vˆ qeˆ q- _
ÿ
eˆt
por T .
t = 1 2,, , ÿ
Todo lo que queda es especificar un método para obtener estimaciones de los valores previos a la muestra de: y
ÿ q – 1, ,,
eˆ– ÿ ÿ q – 2 ÿ eˆ0 ÿ (22.71)
ÿ eˆ–ÿ
Se puede emplear retrospectiva para obtener las innovaciones previas a la muestra (Box y Jenkins, 1976).
Como sugiere su nombre, el backcasting utiliza un método de recursión hacia atrás para obtener estimaciones de
y Por este periodo.
Para iniciar la recursión, se establecen

q los valores para las innovaciones más allá de la muestra de estimación .
a cero:
Referencias—145
e˜T ÿ 1 ÿ ÿÿ ÿ
e˜T ÿ 2 ÿ e˜ Tqÿ
0 (22.72)
EViews luego usa los resultados reales para realizar la recursión hacia atrás:
e˜t
ÿ
uˆt vˆ 1e˜ – t ÿ 1 – ÿ vˆ–qe˜
tq ÿ (22.73)
t T ÿ , ,, , ÿ 0 ÿ –ÿ ÿ q – 1 ÿ e˜0 ÿ e˜–ÿ paraq . Los valores,,finales, –ÿ ÿ q – 1e˜ ÿ ÿ q – 2 , , el cual nosotros
utilizar como nuestras estimaciones, pueden denominarse estimaciones retrospectivas de las innovaciones previas a la muestra.
r -diferenciará el uˆt
(Tenga en cuenta que si su modelo también incluye términos AR, EViews eliminar
determinar la correlación serial antes de realizar el backcast.)
y
Alternativamente, un método obvio es desactivar el backcasting y configurar la muestra previa a sus
valores esperados incondicionales de 0:
eˆ– ÿ ÿ q – 1 ÿ eˆ
ÿ ÿÿ
0 0, (22.74)
Cualquiera que sea el método que se utilice para inicializar los valores previos a la muestra, los residuos de suma de cuadrados
(SSR) se forma recursivamente en función de y v b , utilizando los valores ajustados de las
innovaciones rezagadas:
T
Sÿ ÿ, bv ÿ ÿ ÿ Yt Xt – b v1eˆ – t - 1- ÿ vqeˆ – q- _ ÿ2 . (22.75)

tq ÿ ÿ 1
y la expresión se minimiza con respecto a y . b en
El paso retrospectivo, la recursión directa y los procedimientos de minimización se repiten hasta que
las estimaciones
en b de y convergen.
Referencias
Baille, Richard (1996). "Procesos de memoria larga e integración fraccional en econometría", Journal of
Econometría, 73, 5–59..
Box, George EP y Gwilym M. Jenkins (1976). Análisis de series de tiempo: pronóstico y control, revisado
Edición, Oakland, CA: Holden-Day.
Box, George EP, Jenkins, Gwilym M. y Gregory C. Reinsel (2008). Análisis de series temporales: pronóstico y control,
cuarta edición, Hoboken, Nueva Jersey: John Wiley & Sons.
Doornik, Jurgen A. y Marius Ooms (2003). “Aspectos computacionales de la estimación de máxima verosimilitud de los
modelos de promedio móvil integrados fraccionariamente autorregresivos”, Estadísticas computacionales y
análisis de datos, 42, 333–348.
Justo, Ray C. (1984). Especificación, estimación y análisis de modelos macroeconométricos, Cambridge, MA: Harvard
University Press.
Geweke, JF y S. Porter-Hudak (1983). “La estimación y aplicación de series de tiempo de memoria larga
Modelos” Journal of Time Series Analysis, 4, 221–238.
Granger, CWJ y Roselyne Joyeux (1980). “Una introducción a los modelos de series de tiempo de memoria larga y
Diferenciación fraccionaria”, Journal of Time Series Analysis, 1, 15–29.
Greene, William H. (2008). Análisis econométrico, 6.ª edición, Upper Saddle River, NJ: Prentice-Hall.
Hamilton, James D. (1994). Análisis de series temporales, Princeton University Press.
Hayashi, Fumio. (2000). Econometría, Princeton, NJ: Princeton University Press.

Hosking, JRM (1981). “Diferenciación fraccionaria”, Biometrika, 68, 165–176.
Colina.
Kohn, Robert y Craig F. Ansley (1985). “Estimación y predicción eficientes en la regresión de series temporales
Modelos”, Biometrics, 72, 694–697.
Rao, P. y Z. Griliches (1969). “Propiedades de muestra pequeña de varios métodos de regresión de dos etapas en el contexto
de errores autocorrelacionados”, Journal of the American Statistical Association, 64, 253–272.
Sowell, Falaw (1992). “Estimación de máxima verosimilitud de sistemas estacionarios univariados fraccionalmente integrados
Modelos de series temporales”, Journal of Econometrics, 53, 165–188.
Sowell, Falaw (1992a). "Modelado del comportamiento a largo plazo con el modelo ARIMA fraccional", Journal of Mon
Economics, 29, 277–302.
Capítulo 23. Pronósticos a partir de una ecuación
Este capítulo describe los procedimientos para pronosticar y calcular valores ajustados a partir de una sola
ecuación. Las técnicas descritas aquí son para pronosticar con objetos de ecuación estimados usando métodos
de regresión. Los pronósticos a partir de ecuaciones estimadas mediante técnicas especializadas, como los
métodos ARCH, binario, ordenado, tobit y de conteo, se analizan en los capítulos correspondientes.
El pronóstico de una serie usando métodos de suavizado exponencial se explica en “Suavizado exponencial”
en la página 506 de la Guía del usuario I, y el pronóstico usando múltiples ecuaciones y modelos se describe
en el Capítulo 42. “Modelos,” en la página 781. Herramientas adicionales para realizar la evaluación del
pronóstico se describen en “Evaluación de pronósticos” en la página 420 de la Guía del usuario I.
Pronóstico a partir de ecuaciones en EViews
Para ilustrar el proceso de pronosticar a partir de una ecuación estimada, comenzamos con un ejemplo simple.
Supongamos que tenemos datos sobre el logaritmo de los inicios de viviendas mensuales (HS) y el logaritmo
del índice S&P (SP) durante el período 1959M01–1996M0. Los datos están contenidos en el archivo de trabajo
"House1.WF1" que contiene observaciones para 1959M01–1998M12 para que
podemos realizar pronósticos fuera de la muestra.
Estimamos una regresión de HS sobre una constante, SP, y el retraso de HS, con un AR(1) para corregir la
correlación serial residual, usando datos para el período 1959M01–1990M01, y luego usamos el modelo para
pronosticar viviendas iniciadas bajo una variedad de ajustes. Después de la estimación, los resultados de la
ecuación se guardan en el objeto de ecuación EQ01:
148—Capítulo 23. Pronósticos a partir de una ecuación
Variable dependiente: SA
Fecha: 09/08/09 Hora: 07:45
C 0,321924 0.117278 2.744973 0.0063

SA(-1) 0,952653 0.016218 58.74151 0.0000
SP 0,005222 0,007588 0,688248 0,4917
AR(1) -0,271254 0.052114 -5.205025 0.0000


F Prob(estadístico F) 760.1338 Estadística de Durbin-W atson 2.013460
0.000000
Raíces AR invertidas -.27
Tenga en cuenta que la muestra de estimación se ajusta mediante dos observaciones para tener en cuenta la
primera diferencia de la variable endógena rezagada utilizada para derivar las estimaciones de AR(1) para este modelo.
Para tener una idea del ajuste del modelo, seleccione Ver/Actual, Ajustado, Residual…, luego elija Gráfico
real, Ajustado, Residual:
Los valores reales y ajustados representados en la parte superior del gráfico son virtualmente indistinguibles. Esta
vista proporciona poco control sobre el proceso de producir valores ajustados y no le permite guardar sus valores
ajustados. Estas limitaciones se superan mediante el uso de procedimientos de pronóstico integrados de EViews
para calcular valores ajustados para la variable dependiente.
Pronóstico a partir de ecuaciones en EViews—149
Cómo realizar un pronóstico
Para pronosticar HS a partir de esta ecuación, presione el botón Pronóstico en la barra de herramientas de la ecuación,
o seleccione Proc/Pronóstico….
En la parte superior del cuadro de diálogo

Pronóstico , EViews muestra información
sobre el pronóstico. Aquí, mostramos una
versión básica del cuadro de diálogo que

muestra que estamos pronosticando valores
para la serie dependiente HS utilizando el EQ01
estimado. Las configuraciones más complejas
se describen en “Pronósticos a partir de
ecuaciones con expresiones” en la página 167.
Debe proporcionar la siguiente información:
• Nombre del pronóstico. Completa la edición
cuadro con el nombre de la serie que se le dará a su pronóstico. EViews sugiere un nombre, pero puede cambiarlo
por cualquier nombre de serie válido. El nombre debe ser diferente del nombre de la variable dependiente, ya que
el procedimiento de pronóstico sobrescribirá los datos en la serie especificada.
• SE (opcional). Si lo desea, puede proporcionar un nombre para la serie que se completará con los errores estándar
de pronóstico. Si no proporciona un nombre, no se guardarán errores de pronóstico.
• GARCH (opcional). Para modelos estimados por ARCH, se le dará una opción adicional de guardar pronósticos de
las varianzas condicionales (términos GARCH). Véase el Capítulo 25.
“Estimación ARCH y GARCH,” en la página 243 para una discusión de la estimación GARCH.
• Método de previsión. Puede elegir entre metanfetaminas de pronóstico dinámicas y estáticas

ods Dinámico calcula pronósticos dinámicos de varios pasos a partir del primer período en la muestra de pronóstico.
En el pronóstico dinámico, los valores previamente pronosticados para las variables dependientes rezagadas se
usan para formar pronósticos del valor actual (consulte “Pronósticos con variables dependientes rezagadas” en la
página 160 y “Pronósticos con errores ARMA” en la página 162). Esta opción solo estará disponible cuando la
ecuación estimada contenga componentes dinámicos, por ejemplo, variables dependientes retrasadas o términos
ARMA. Static calcula una secuencia de pronósticos de un paso adelante, usando los valores reales, en lugar de los
pronosticados, para las variables dependientes rezagadas, si están disponibles.
Puede optar por ignorar siempre la incertidumbre del coeficiente al calcular los errores estándar de pronóstico
(cuando corresponda) deseleccionando la casilla Coef incertidumbre en SE calc .
Además, en las especificaciones que contienen términos ARMA, puede establecer la opción Estructural ,
instruyendo a EViews para que ignore cualquier término ARMA en la ecuación al realizar pronósticos. De manera
predeterminada, cuando su ecuación tiene términos ARMA, los métodos de solución dinámicos y estáticos
forman pronósticos de los residuos. Si selecciona Estructural, todos los pronósticos ignorarán los residuos
pronosticados y formarán predicciones usando solo la parte estructural de la especificación ARMA.
• Rango de muestra. Debe especificar la muestra que se utilizará para el pronóstico. Por defecto,
EViews configura esta muestra para que sea la muestra del archivo de trabajo. Al especificar una muestra fuera
de la muestra utilizada para estimar su ecuación (la muestra de estimación), puede indicar a EViews que produzca
pronósticos fuera de la muestra.
Tenga en cuenta que usted es responsable de proporcionar los valores de las variables independientes en el
período de pronóstico fuera de la muestra. Para los pronósticos estáticos, también debe proporcionar los valores
de las variables dependientes retrasadas.
• Salida. Puede optar por ver la salida del pronóstico como un gráfico o una evaluación de pronóstico numérico, o
ambos. La evaluación del pronóstico solo está disponible si la muestra del pronóstico incluye observaciones para
las que se observa la variable dependiente.
• Insertar valores reales para observaciones fuera de la muestra. Por defecto, EViews llenará el primer plano
Proyecte series con los valores de la variable dependiente real para observaciones que no estén en la muestra
de pronóstico. Esta característica es conveniente si desea mostrar la divergencia del pronóstico de los valores
reales; para las observaciones anteriores al comienzo de la muestra de pronóstico, las dos series contendrán los
mismos valores, luego divergirán a medida que el pronóstico difiera de los datos reales. Sin embargo, en algunos
contextos, es posible que desee tener valores pronosticados solo para las observaciones en la muestra de
pronóstico. Si desmarca esta opción, EViews llenará las observaciones fuera de la muestra con valores faltantes.
Tenga en cuenta que al realizar pronósticos a partir de ecuaciones especificadas mediante expresiones o series de
actualización automática, es posible que encuentre una versión del cuadro de diálogo Pronóstico que difiera del
cuadro de diálogo básico que se muestra arriba. Consulte “Pronósticos a partir de ecuaciones con expresiones” en la página 167
para detalles.
Una ilustración
Suponga que producimos un pronóstico dinámico usando EQ01 sobre la muestra 1959M01 a 1996M01.
Los valores de pronóstico se colocarán en la serie HSF, y EViews mostrará un gráfico de los pronósticos y las dos bandas
de error estándar más y menos, así como una evaluación del pronóstico:
Una ilustración—151
Este es un pronóstico dinámico para el período de 1959M01 a 1996M01. Para cada período, los valores
pronosticados previamente para HS(-1) se usan para formar un pronóstico del valor subsiguiente de HS. Como
se indica en el resultado, los valores de pronóstico se guardan en la serie HSF. Dado que HSF es una serie
estándar de EViews, puede examinar sus pronósticos utilizando todas las herramientas estándar para trabajar
con objetos de serie.
Por ejemplo, podemos examinar los valores reales frente a los ajustados creando un grupo que contenga HS
y HSF y trazando las dos series. Seleccione HS y HSF en la ventana del archivo de trabajo, luego haga clic
con el botón derecho del mouse y seleccione Abrir/como grupo. Luego seleccione Ver/Gráfico... y seleccione
Línea y símbolo en la página Tipo de gráfico/Tipo básico para mostrar un gráfico de las dos series:
Tenga en cuenta la diferencia considerable entre este gráfico real y ajustado y el gráfico residual real,
ajustado que se muestra arriba.
Para realizar una serie de pronósticos de un paso adelante, haga clic en Pronóstico en la barra de herramientas de la
ecuación y seleccione Pronóstico estático . Asegúrese de que la muestra de pronóstico esté establecida en "1959m01
1995m06". Haga clic en Aceptar. EViews mostrará los resultados del pronóstico:
También podemos comparar los valores reales y ajustados del pronóstico estático examinando un gráfico lineal de un
grupo que contiene HS y el nuevo HSF.
Los pronósticos estáticos de un paso adelante son más precisos que los pronósticos dinámicos ya que, para cada período,
se usa el valor real de HS(-1) para formar el pronóstico de HS. Estos pronósticos estáticos de un paso adelante son los
mismos pronósticos que se usan en el gráfico residual real ajustado que se muestra arriba.
Por último, construimos un pronóstico dinámico que comienza en 1990M02 (el primer período posterior a la muestra de
estimación) y finaliza en 1996M01. Tenga en cuenta que los datos están disponibles para SP para
Una ilustración—153
todo este periodo. La gráfica de los valores reales y pronosticados para 1989M01 a 1996M01 viene dada por:
Dado que utilizamos la configuración predeterminada para los valores de muestra fuera del pronóstico, EViews
completa la serie de pronóstico antes de la muestra de pronóstico (hasta 1990M01), luego pronostica
dinámicamente HS para cada período posterior hasta 1996M01. Este es el pronóstico que habría construido si,
en 1990M01, hubiera pronosticado valores de HS desde 1990M02 hasta 1996M01, dado el conocimiento sobre
la ruta completa de SP durante ese período.
El pronóstico estático correspondiente se muestra a continuación:
Nuevamente, EViews completa los valores de la serie de pronóstico, HSF1, hasta 1990M01. Este pronóstico es
el que habría construido si, en 1990M01, hubiera usado todos los datos disponibles para estimar un modelo y
luego hubiera usado este modelo estimado para realizar pronósticos de un paso adelante cada mes durante los
próximos seis años.
El resto de este capítulo se enfoca en los detalles asociados con la construcción de estos pronósticos, las
evaluaciones de pronóstico correspondientes y el pronóstico en escenarios más complejos que involucran ecuaciones
con expresiones o series de actualización automática.
Conceptos básicos de pronóstico
EViews almacena los resultados del pronóstico en la serie especificada en el campo Nombre del pronóstico . Nos
referiremos a esta serie como la serie de pronóstico.
La muestra de pronóstico especifica las observaciones para las cuales EViews intentará calcular los valores
ajustados o pronosticados. Si el pronóstico no es computable, se devolverá un valor faltante. En algunos casos,
EViews llevará a cabo un ajuste automático de la muestra para evitar un pronóstico que consista completamente en
valores faltantes (consulte “Ajuste de valores faltantes” en la página 155, a continuación). Tenga en cuenta que la
muestra de pronóstico puede o no superponerse con la muestra de observaciones utilizada para estimar la ecuación.
Para valores no incluidos en la muestra de pronóstico, hay dos opciones. De forma predeterminada, EViews
completa los valores reales de la variable dependiente. Si desactiva la opción Insertar valores reales para fuera
de muestra , los valores de muestra fuera de pronóstico se llenarán con NA.
Como consecuencia de estas reglas, todos los datos de la serie de pronóstico se sobrescribirán durante el
procedimiento de pronóstico. Los valores existentes en la serie de pronóstico se perderán.
Cálculo de pronósticos de puntos
Para cada observación en la muestra pronosticada, EViews calcula el valor ajustado de la variable dependiente
utilizando los parámetros estimados, las variables exógenas del lado derecho y los valores reales o estimados para
las variables endógenas rezagadas y los residuos. El método de construcción de estos valores pronosticados
depende del modelo estimado y la configuración especificada por el usuario.
Para ilustrar el procedimiento de pronóstico, comenzamos con un modelo de regresión lineal simple sin variables
del lado derecho endógenas rezagadas y sin términos ARMA. Suponga que ha estimado la siguiente especificación
de ecuación:
yxz
Ahora haga clic en Pronóstico, especifique un período de pronóstico y haga clic en Aceptar.
Para cada observación en el período de pronóstico, EViews calculará el valor ajustado de Y utilizando los parámetros
estimados y los valores correspondientes de los regresores, X y Z:
yt ÿ
cˆÿ 1 cˆÿ 2 xt cˆÿ 3 z ÿ t . (23.1)
Debe asegurarse de tener valores válidos para las variables exógenas del lado derecho para todas las
observaciones en el período de pronóstico. Si falta algún dato en la muestra de pronóstico, la observación de
pronóstico correspondiente será una NA.
Conceptos básicos de pronóstico—155
Ajuste por valores faltantes
Hay dos casos en los que se devolverá un valor faltante para el valor de pronóstico. Primero, si alguno de
los regresores tiene un valor faltante, y segundo, si alguno de los regresores está fuera del rango del archivo
de trabajo. Esto incluye los términos de error implícitos en los modelos AR.
En el caso de pronósticos sin componentes dinámicos en la especificación (es decir , sin términos de error
ARMA o endógeno retrasado), un valor faltante en la serie de pronóstico no afectará los valores pronosticados
subsiguientes. Sin embargo, en el caso de que existan componentes dinámicos, un solo valor faltante en la
serie pronosticada se propagará a través de todos los valores futuros de la serie.
Como característica de conveniencia, EViews moverá el punto de inicio de la muestra hacia adelante donde
sea necesario hasta que se obtenga un valor de pronóstico válido. Sin estos ajustes, el usuario tendría que
calcular la cantidad adecuada de valores de muestra previa para omitir, de lo contrario, el pronóstico consistiría
completamente en valores faltantes. Por ejemplo, suponga que desea pronosticar dinámicamente a partir de
la siguiente especificación de ecuación:
ycy (-1) ar (1)
Si especificó el comienzo de la muestra de pronóstico al comienzo del rango del archivo de trabajo, EViews
ajustará hacia adelante la muestra de pronóstico en 2 observaciones y utilizará los valores de muestra de
pronóstico previo de las variables retrasadas (la pérdida de 2 observaciones ocurre porque el residual pierde
una observación debido a la variable endógena rezagada, de modo que el pronóstico del término de error
puede comenzar solo a partir de la tercera observación).
Errores de pronóstico y variaciones
Supongamos que el modelo “verdadero” viene dado por:
yt ÿ
xtÿserÿ t, (23.2)
donde esy una perturbación aleatoria media cero independiente e idénticamente distribuida, b y es un vector
de parámetros desconocidos. A continuación, relajamos la restricción de que los 's sean
independientes. y
No se conoce la verdadera generación

y del modelo, pero obtenemos estimaciones deb los parámetros
desconocidos.bLuego, igualando el término de error a su valor medio de cero, los pronósticos (puntuales) de
se obtienen
y como:
yˆt xt ÿ ÿb . (23.3)
Los pronósticos se hacen con error, donde el error es simplemente la diferencia entre el real ÿ – ÿb
y el valor previsto. Suponiendo
y que el modelo se especifica correctamente, hay yt xt
Hay dos fuentes de error de pronóstico: la incertidumbre residual y el coeficiente de incertidumbre.
Incertidumbre Residual
La primera fuente de error, denominada incertidumbre residual o de innovación, surge porque las innovaciones
en la ecuación
y son desconocidas para el período de pronóstico y se reemplazan con sus expectativas. Mientras
que los residuos son cero en valor esperado, los valores individuales son distintos de cero; cuanto mayor sea la
variación en los residuos individuales, mayor será el error general en los pronósticos.
La medida estándar de esta variación es el error estándar de la regresión (etiquetado como "SE de regresión" en
el resultado de la ecuación). La incertidumbre residual suele ser la mayor fuente de error de pronóstico.
En los pronósticos dinámicos, la incertidumbre de la innovación se ve agravada por el hecho de que las variables
dependientes rezagadas y los términos ARMA dependen de las innovaciones rezagadas. EViews también los
iguala a sus valores esperados, que difieren aleatoriamente de los valores reales. Esta fuente adicional de
incertidumbre de pronóstico tiende a aumentar durante el horizonte de pronóstico, lo que lleva a un patrón de
errores de pronóstico crecientes. El pronóstico con variables dependientes rezagadas y términos ARMA se analiza
con más detalle a continuación.
Coeficiente de incertidumbre
La segunda fuente de error de pronóstico es la incertidumbre del coeficiente. Los coeficientes estimados de bb
la ecuación se desvía de los verdaderos coeficientes de forma aleatoria. El error estándar del coeficiente estimado,
dado en el resultado de la regresión, es una medida de la precisión con la que los coeficientes estimados miden
los coeficientes verdaderos.
El efecto del coeficiente de incertidumbre depende de las variables exógenas. Dado que los coeficientes
estimados se multiplican por las variables exógenas en el cálculo de los pronósticos,
X cuanto más se desvían las
variables exógenas de sus valores medios, mayor es la incertidumbre del pronóstico.
Variabilidad del pronóstico
La variabilidad de los pronósticos se mide por los errores estándar de pronóstico. Para una sola ecuación sin
variables dependientes rezagadas o términos ARMA, los errores estándar de pronóstico se calculan como:
–1
pronóstico ÿ
s 1 xtÿÿÿÿ XÿX xt
_
(23.4)
donde essel error estándar de regresión. Estos errores estándar representan tanto la innovación (el primer
término) como el coeficiente de incertidumbre (el segundo término). Los pronósticos puntuales hechos a partir de
modelos de regresión lineal estimados por mínimos cuadrados son óptimos en el sentido de que tienen la varianza
de pronóstico más pequeña entre los pronósticos hechos por estimadores lineales insesgados. Además, si las
innovaciones se distribuyen normalmente, los errores de pronóstico tienen una distribución t y los intervalos de
pronóstico se pueden formar fácilmente.
Si proporciona un nombre para los errores estándar de pronóstico, EViews calcula y guarda una serie de errores
estándar de pronóstico en su archivo de trabajo. Puede usar estos errores estándar para formar intervalos de
pronóstico. Si elige la opción Hacer gráfico para la salida, EViews trazará los pronósticos con más y menos dos
bandas de error estándar. Estas dos bandas de error estándar proporcionan un intervalo de pronóstico aproximado
del 95 %; si (hipotéticamente) hace muchos pronósticos, el valor real de la variable dependiente estará dentro de
estos límites el 95 por ciento de las veces.
Detalles adicionales
EViews da cuenta de la incertidumbre de pronóstico adicional generada cuando las variables dependientes
rezagadas se usan como variables explicativas (consulte “Pronósticos con variables dependientes rezagadas” en
la página 160).
Hay casos en los que se ignora la incertidumbre del coeficiente al formar el error estándar de pronóstico. Por
ejemplo, la incertidumbre del coeficiente siempre se ignora en las ecuaciones especificadas por expresión, por
ejemplo, mínimos cuadrados no lineales y ecuaciones que incluyen términos PDL (retraso polinómico distribuido)
(“Pronósticos con especificaciones no lineales y PDL” en la página 173).
Además, los errores estándar de pronóstico no tienen en cuenta los pesos de GLS en las ecuaciones de
panel estimadas.
Evaluación de Pronósticos
Supongamos que construimos un pronóstico dinámico para HS durante el período 1990M02 a 1996M01 utilizando
nuestra ecuación de vivienda estimada. Si la opción Evaluación de pronóstico está marcada y hay datos reales
para la variable pronosticada para la muestra de pronóstico, EViews informa una tabla de resultados estadísticos
que evalúan el pronóstico:
Pronóstico: HSF
Real: SA
Muestra: 1990M02 1996M01
Incluir observaciones: 72
Error cuadrático medio de la raíz 0.318700

Error absoluto medio 0.297261
Error porcentual absoluto medio 4.205889
Coeficiente de desigualdad de Theil 0.021917
Proporción de sesgo 0.869982
Proporción de varianza 0.082804
Proporción de covarianza 0.047214
Tenga en cuenta que EViews no puede calcular una evaluación de pronóstico si no hay datos para la variable
dependiente para la muestra de pronóstico.
La evaluación del pronóstico se guarda en uno de dos formatos. Si activa la opción Hacer gráfico , los pronósticos
se incluyen junto con un gráfico de los pronósticos. Si desea mostrar la evaluación
uaciones en su propia tabla, debe desactivar la opción Hacer gráfico en el cuadro de diálogo
Pronóstico.
Suponga que la muestra pronosticada es j T ÿ ÿ 1, T ÿ 2, , ÿ valor Thÿ , y denote el real y

pronosticado en el período como y , respectivamente.
yt estadísticas
Las de error de pronóstico informadas t yˆt
se calculan de la siguiente manera:
Error cuadrático medio de la raíz Thÿ
ÿ ÿ ÿ – yˆt yt 2 h _
tTÿÿ1
Error absoluto medio Thÿ
ÿ yˆt yt – ÿ h
tTÿÿ1
Thÿ
Porcentaje absoluto medio
Error yˆt yt –
100 ÿ --------------- ÿh
yt
tTÿÿ1
Thÿ
Coeficiente de desigualdad de Theil
2
ÿ ÿ ÿ – yˆt yt ÿ h
tTÿÿ1
-------------------------------------------------- ------------------------------
Thÿ Thÿ
ÿ yt 2 h _ ÿ ÿ yt 2h_
tTÿÿ1 tTÿÿ1
Las dos primeras estadísticas de error de pronóstico dependen de la escala de la variable dependiente.
Estos deben usarse como medidas relativas para comparar pronósticos para la misma serie a través de
diferentes modelos; cuanto menor sea el error, mejor será la capacidad de pronóstico de ese modelo de
acuerdo con ese criterio. Las dos estadísticas restantes son invariantes de escala. El coeficiente de
desigualdad de Theil siempre se encuentra entre cero y uno, donde cero indica un ajuste perfecto.
El error de pronóstico cuadrático medio se puede descomponer como:

2
ÿh ÿ
ÿ ÿÿyˆ ÿ2 ÿ ÿ ÿ – syˆ y 2ÿ 2 1ÿ ÿ – r syˆ s (23.5)
ÿ ÿ ÿ yˆt
– yˆt
ÿ ÿyt ÿ t ÿ yh – y
dónde , , , ,
hy syˆ sy son las medias y las desviaciones estándar (sesgadas) de y y es la correlaciónytentre y
y . Lasr proporciones se definen como: yˆ y
2
Proporción de sesgo
yˆtÿ_ÿ ÿ h – y
-----------------------------------------
2
ÿh
ÿ ÿ ÿ – yˆt yt
Proporción de varianza 2
ÿÿ–yy
-------------------------------------
2
ÿh
Proporción de covarianza 2 1ÿ ÿ – r syˆ sy

-------------------------------------
2
ÿh
• La proporción de sesgo nos dice qué tan lejos está la media del pronóstico de la media del
serie real.
• La proporción de varianza nos dice qué tan lejos está la variación del pronóstico de la variación de la
serie real.
• La proporción de covarianza mide los errores de pronóstico no sistemáticos restantes.
Tenga en cuenta que las proporciones de sesgo, varianza y covarianza suman uno.
Si su pronóstico es "bueno", las proporciones de sesgo y varianza deben ser pequeñas para que la mayor
parte del sesgo se concentre en las proporciones de covarianza. Para una discusión adicional sobre la
evaluación de pronósticos, ver Pindyck y Rubinfeld (1998, p. 210-214).
Para el resultado del ejemplo, la proporción de sesgo es grande, lo que indica que la media de los
pronósticos hace un mal trabajo al rastrear la media de la variable dependiente. Para verificar esto,
trazaremos la serie pronosticada junto con la serie real en la muestra pronosticada con los dos límites de
error estándar. Supongamos que guardamos los pronósticos y sus errores estándar como HSF y HSFSE,
respectivamente. Luego, las dos series de error estándar más y menos pueden generarse mediante los
comandos:
ejemplo 1990m02 1996m01

serie hsf_high = hsf + 2*hsfse
serie hsf_low = hsf - 2*hsfse
Cree un grupo que contenga las cuatro series. Puede resaltar las cuatro series HS, HSF,
HSF_HIGH y HSF_LOW, hacer doble clic en el área seleccionada y seleccionar Open Group, o puede
seleccionar Quick/Show... e ingresar los nombres de las cuatro series. Una vez que haya abierto el grupo,
seleccione Ver/Gráfico... y seleccione Línea y símbolo en el lado izquierdo del cuadro de diálogo.
Los pronósticos pasan completamente por alto la recesión de comienzos de la década de 1990, pero, después de
la recuperación, siguen razonablemente bien la tendencia de 1992 a 1996.
Pronósticos con variables dependientes rezagadas

El pronóstico se complica por la presencia de variables dependientes rezagadas en el lado derecho de la
ecuación. Por ejemplo, podemos aumentar la especificación anterior para incluir el primer retraso de Y:
ycxzy (-1)
y haga clic en el botón Pronóstico y complete los nombres de las series en el cuadro de diálogo como se muestra
arriba. Sin embargo, hay dudas sobre cómo debemos evaluar el valor rezagado de Y que aparece en el lado
derecho de la ecuación. Hay dos posibilidades: pronóstico dinámico y pronóstico estático.
Pronóstico dinámico
Si selecciona el pronóstico dinámico, EViews realizará un pronóstico de varios pasos de Y, comenzando al
comienzo de la muestra de pronóstico. Para nuestra especificación de retraso único anterior:
• La observación inicial en la muestra de pronóstico utilizará el valor real de Y rezagado.

Así, si S es la primera observación en la muestra de pronóstico, EViews calculará:
S -1 , (23.6)
donde yS – 1 es el valor de la variable endógena rezagada en el período anterior al inicio de la muestra

de pronóstico. Este es el pronóstico de un paso adelante.
• Los pronósticos para observaciones posteriores utilizarán los valores de Y pronosticados anteriormente:
. (23.7)
yˆ S k ÿ cˆÿ 2 xS k cˆÿ ÿ 3 zS k ÿ
Pronósticos con variables dependientes rezagadas—161
• Estos pronósticos pueden diferir significativamente de los pronósticos de un paso adelante.
Si hay rezagos adicionales de Y en la ecuación de estimación, el algoritmo anterior se modifica

para tener en cuenta la no disponibilidad de valores pronosticados rezagados en el período
adicional. Por ejemplo, si hay tres rezagos de Y en la ecuación:
• La primera observación ( ) usa los valores reales para los tres rezagos, yS – 3 yS – 2 , ,y
yS -1 .
La segunda observación ( ) usa valoresSreales

ÿ 1 • para y, y el primero yS – 2 yS – 1
valor proyectado del
ySprimer
ÿ 1 rezago de yˆ S .
, y valor pronosticado
es yS ÿ 2 y para el primer y segundo rezagos de yˆ S ÿ 1 yˆ S .
• Todas las observaciones posteriores utilizarán los valores pronosticados para los tres retrasos.
La selección del inicio de la muestra de pronóstico es muy importante para el pronóstico dinámico.
Los pronósticos dinámicos son verdaderos pronósticos de varios pasos (desde el comienzo de la muestra
de pronóstico), ya que utilizan el pronóstico calculado recursivamente del valor rezagado de la variable
dependiente. Estos pronósticos pueden interpretarse como pronósticos para períodos subsiguientes que
se calcularían utilizando la información disponible al comienzo de la muestra de pronóstico.
El pronóstico dinámico requiere que los datos de las variables exógenas estén disponibles para cada observación en la
muestra de pronóstico, y que los valores de las variables dependientes rezagadas se observen al comienzo de la muestra
de pronóstico (en nuestro ejemplo, yS – 1 , pero más generalmente, cualquier
retrasos de ). Si es necesario, se ajustará la muestra de pronóstico.
Cualquier valor que falte para las variables explicativas generará una NA para esa observación y en
todas las observaciones subsiguientes, a través de los pronósticos dinámicos de la variable dependiente
rezagada.
Por último, observamos que para el pronóstico dinámico no lineal, EViews produce lo que Tong y
Lim (1980) denominan la "función de pronóstico eventual" en la que los valores pronosticados
retrasados se sustituyen recursivamente en la función de un paso adelante. Este enfoque difiere de
los enfoques basados en simulación para el pronóstico de varios pasos que emplea simulación estocástica.
Si desea obtener estos últimos pronósticos, haga clic en la casilla de verificación Simulación estocástica e
ingrese el número de repeticiones y prop de repeticiones fallidas. antes de detenerse como se desee.
Pronóstico estático
El pronóstico estático realiza una serie de pronósticos de un paso adelante de la variable dependiente:
• Para cada observación en la muestra de pronóstico, EViews calcula:
yˆ S k ÿ cˆÿ 2 xS k cˆÿ ÿ 3 zS k Skÿ–1 (23.8)

ÿ utilizando siempre el valor real de la variable endógena rezagada.
El pronóstico estático requiere que los datos de las variables exógenas y endógenas rezagadas se observen para cada
observación en la muestra de pronóstico. Como se indicó anteriormente, EViews, si es necesario, ajustará la muestra de
pronóstico para tener en cuenta las variables rezagadas previas a la muestra. Si los datos no están disponibles para algún
período, el valor pronosticado para esa observación será NA. La presencia de un valor pronosticado de NA no tiene ningún
impacto en los pronósticos para observaciones posteriores.
Una comparación de pronóstico dinámico y estático

Ambos métodos siempre arrojarán resultados idénticos en el primer período de un pronóstico de varios períodos.
Por lo tanto, dos series de pronóstico, una dinámica y la otra estática, deben ser idénticas para la primera observación en
la muestra de pronóstico.
Los dos métodos diferirán para períodos subsiguientes solo si hay variables dependientes rezagadas o términos ARMA.
Pronóstico con errores ARMA

Pronosticar a partir de ecuaciones con componentes ARMA implica algunas complejidades adicionales.
Cuando use las especificaciones AR o MA, deberá saber cómo EViews maneja los pronósticos de los residuos retrasados
que se usan en los pronósticos.
Pronósticos Estructurales
De manera predeterminada, EViews pronosticará los valores de los residuales utilizando la estructura ARMA estimada,
como se describe a continuación.
Para algunos tipos de trabajo, es posible que desee suponer que los errores ARMA siempre son cero. Si selecciona la
opción de pronóstico estructural marcando Estructural (ignorar ARMA), EViews calcula los pronósticos asumiendo que
los errores siempre son cero. Si la ecuación se estima sin términos ARMA, esta opción no tiene efecto en los pronósticos.
Pronóstico con errores AR

Para ecuaciones con errores AR, EViews agrega pronósticos de los residuos de la ecuación al pronóstico del modelo
estructural que se basa en las variables del lado derecho.
Para calcular una estimación del residuo, EViews requiere estimaciones o valores reales de los residuos retrasados. Para
la primera observación en la muestra de pronóstico, EViews utilizará datos previos a la muestra para calcular los residuos
retrasados. Si los datos previos a la muestra necesarios para calcular los residuos rezagados no están disponibles, EViews
ajustará la muestra de pronóstico y completará la serie de pronóstico con valores reales (consulte la discusión de "Ajuste
por valores faltantes" en la página 155).
Pronóstico con errores ARMA—163
Si elige la opción Dinámica , tanto la variable dependiente rezagada como los residuos rezagados se
pronosticarán dinámicamente. Si selecciona Estático, ambos se establecerán en los valores retrasados
reales. Por ejemplo, considere el siguiente modelo AR(2):
yt xt ÿ ÿb ÿ ut
(23.9)
salida r1salida – 1 ÿr2salida – 2 ÿ y
ÿ
t
Denote los residuos ajustados comoet

ÿ–yt ÿb
xt datos , y supongamos que el modelo se estimó utilizando
hasta t S ÿ – 1estén
. Entonces,
disponibles,
estáticos
siempre
los que
pronósticos
y t SS
losÿvalores
dinámicos paraxt ÿ 1, ÿ
, , están dadas por:
Estático Dinámica
yˆ S ÿ 1eS – 1
xSÿb rˆ ÿ r 2e S -2 ÿ 1eS – 1
xSÿb rˆ ÿ r 2e S -2
yˆ S ÿ 1 ÿ 1eS rˆ 2e
ÿ
xS ÿ 1ÿb rˆ S -1 xS ÿ 1ÿb ÿrˆ 1uˆ S ÿ r 2e S -1
yˆ S ÿ 2 ÿ 1eS ÿ 1 ÿ r 2e S xS ÿ 2ÿb rˆ ÿ1uˆ S ÿ 1 ÿ

xS ÿ 2ÿb rˆ rˆ 2uˆ S
donde los residuos ÿ – ÿb se forman utilizando los valores pronosticados de . Para subse uˆt yˆt xt yt
observaciones frecuentes, el pronóstico dinámico siempre usará los residuos basados en los pronósticos
de varios pasos, mientras que el pronóstico estático usará los residuos del pronóstico de un paso adelante.
Pronóstico con errores MA

En general, no es necesario que se preocupe por los detalles de la previsión de MA, ya que EViews
hará todo el trabajo por usted. Sin embargo, para aquellos de ustedes que estén interesados en los detalles
del pronóstico dinámico, la siguiente discusión debería ayudarlos a relacionar los resultados de EViews con
los obtenidos de otras fuentes.
Comenzamos señalando que el paso clave en el cálculo de pronósticos utilizando términos MA es obtener
valores ajustados para las innovaciones en el período de muestra previo al pronóstico. Por ejemplo, si está
realizando pronósticos dinámicos de los valores de S simple
, comenzando
y MA( ): en el período , con un proceso
q
, (23.10)
fˆ 1eS – 1 ÿÿÿ fˆ qe
ÿ
yˆ S Sq- _
necesitará valores para las innovaciones de muestra previas al pronóstico, eS – 1 eS – 2 ÿ eS en, general . . . . Idioma
,, , la q- _
construcción de un pronóstico estático para un período determinado requerirá estimaciones de las innovaciones rezagadas
q en
cada período en la muestra de pronóstico.
Si su ecuación se estima con la proyección retrospectiva activada, EViews realizará la proyección

retrospectiva para obtener estos valores. Si su ecuación se estima con la proyección inversa desactivada, o
si la muestra de pronóstico precede a la muestra de estimación, los valores iniciales se establecerán en cero.
Muestra retrospectiva
El primer paso para obtener innovaciones previas al pronóstico es obtener estimaciones de las innovaciones de
muestra previas a la estimación : . ,(Por conveniencia
, ,, notacional,
final de lanormalizamos
muestra de estimación
e0 e–1 e–2 a ÿ e–q el inicio y el
t=1 y tTÿ , respectivamente.)
EViews ofrece dos enfoques diferentes para obtener estimaciones:

puede usar el menú desplegable de retrospectiva de MA para elegir
entre el período de estimación predeterminado y los métodos disponibles
de previsión (v5) .
El método del período de estimación utiliza datos de la muestra de estimación para calcular las estimaciones
retrospectivas. Luego, como en la estimación (“Inicializar las innovaciones de MA” en la página 144), los
q valores
de las innovaciones más allá de la muestra de estimación se establecen en cero:
e˜T ÿ 1 ÿ ÿÿ ÿ
e˜T ÿ 2 ÿ e˜ Tqÿ 0 (23.11)
EViews luego usa los residuos incondicionales para realizar la recursión hacia atrás:
e˜t
ÿ
uˆt vˆ 1e˜ – t ÿ 1 – ÿ vˆ–qe˜
tq ÿ (23.12)
por t T ÿ , ,, , ÿ 0 ÿ –ÿ ÿ q – 1 para obtener los residuos muestrales de preestimación. Tenga en cuenta

que, en ausencia de cambios en los datos, el uso del período de estimación produce innovaciones de muestra
previas al pronóstico que coinciden con las empleadas en la estimación (cuando corresponda).
El método Pronóstico disponible (v5) ofrece diferentes enfoques para el pronóstico dinámico y estático:
• Para el pronóstico dinámico, EViews aplica el procedimiento de retrospectiva utilizando datos de

desde el comienzo de la muestra de estimación hasta el comienzo del período de pronóstico o el final de
la muestra de estimación, lo que ocurra primero.
• Para el pronóstico estático, el procedimiento de retrospectiva utiliza datos desde el comienzo del
muestra de estimación hasta el final del período de pronóstico.
Tanto para los pronósticos dinámicos como para los estáticos, las innovaciones de muestra posteriores a la estimación
retrospectiva se inicializan a cero y se emplea la recursión hacia atrás para obtener estimaciones de las innovaciones
de muestra previas a la estimación. Tenga en cuenta que Pronóstico disponible (v5) no garantiza que las innovaciones
de pronóstico previas a la muestra coincidan con las empleadas en la estimación.
Innovaciones previas al pronóstico
Dadas las estimaciones retrospectivas de los residuos de la muestra previa a la estimación , se utiliza la recursión
directa para obtener valores para las innovaciones de la muestra previa a la previsión .
q al inicio de la
Para el pronóstico dinámico, solo es necesario obtener valores de innovación para los períodos anteriores
muestra de pronóstico; todas las innovaciones posteriores se ponen a cero. EViews obtiene estimaciones de la muestra
previa eS – 1 eS – 2 ÿ eS , ,, q- _
usando la recursividad:
Pronóstico con errores ARMA—165
ˆ
eˆt
ÿ
Utah – t vˆ
– 1e
1– ÿ vˆ qeˆ (23.13)
para t ÿ 1, , ÿ S – 1 , ¿Dónde S
está el comienzo del período de pronóstico?
Los pronósticos estáticos realizan la recursión directa hasta el final de la muestra de pronóstico para que las
innovaciones se estimen hasta el último período de pronóstico. El cálculo del pronóstico estático para cada
período utiliza las innovaciones
q estimadas retrasadas. La extensión de la recursividad produce una serie de
pronósticos de un paso adelante tanto del modelo estructural como de las innovaciones.
Notas adicionales
Tenga en cuenta que EViews calcula los residuos utilizados en la recursión retrospectiva y directa a partir
de los datos observados y los coeficientes estimados. Si EViews no puede calcular los valores de los
residuos incondicionales para un período determinado, la secuencia de innovaciones y pronósticos se
completará con NA. En particular, los pronósticos estáticos deben tener datos válidos para las variables
dependientes y explicativas para todos los períodos desde el comienzo de la muestra de estimación hasta
el final de la muestra de pronóstico; de lo contrario, los valores retrospectivos de las innovaciones y, por lo
tanto, los pronósticos contendrán NA. Asimismo, los pronósticos dinámicos deben tener datos válidos desde
el inicio del período de estimación hasta el inicio del período de pronóstico.
Ejemplo
Como ejemplo de pronóstico a partir de modelos ARMA, considere pronosticar la serie mensual de
nuevos comienzos de viviendas (HS, por sus siglas en inglés). El período de estimación es 1959M01–
1984M12 y pronosticamos para el período 1985M01–1991M12. Estimamos el siguiente modelo
autorregresivo estacional multiplicativo simple,
hs coche ar(1) sar(12)
flexible:
Variable dependiente: SA
Fecha: 08/08/06 Hora: 17:42

C 7.317283 0.071371 102.5243 0.0000
AR(1) 0.935392 0.021028 44.48403 0.0000
RAE(12) -0.113868 0.060510 -1.881798 0.0608
de regresión Suma Akaike info -1.995080
cuadrada resid Logaritmo 2.333617 Criterio de Schwarz -1.957952
de verosimilitud 301.2645 Criterio de Hannan-Quinn. -1.980220

Raíces AR invertidas .94 .81-.22i .81+.22i .59-.59i

.59+.59i .22+.81i .22-.81i -.22+.81i
-.22-.81i -.59+.59i -.59-.59i -.81-.22i
-.81+.22i
Para realizar un pronóstico dinámico a partir de este modelo estimado, haga clic en Pronóstico en la barra de herramientas
de ecuaciones, ingrese "1985m01 1991m12" en el campo de muestra Pronóstico , luego seleccione Evaluación de
pronóstico y anule la selección de Gráfico de pronóstico. Las estadísticas de evaluación de pronóstico para el modelo se
muestran a continuación:
Pronósticos a partir de ecuaciones con expresiones—167
La gran proporción de varianza indica que los pronósticos no están siguiendo la variación en la serie real del
SA. Para trazar la serie real y pronosticada junto con las dos bandas de error estándar, puede escribir:
ejemplo 1985m01 1991m12

parcela hs hs_f hs_f+2*hs_se hs_f-2*hs_se
donde HS_F y HS_SE son los pronósticos y errores estándar de HS.
Como lo indica la gran proporción de varianza, los pronósticos rastrean los movimientos estacionales en HS
solo al comienzo de la muestra de pronóstico y rápidamente se nivelan al valor promedio del pronóstico.
Predicción a partir de ecuaciones con expresiones

Una de las innovaciones más útiles de EViews es la capacidad de estimar y pronosticar a partir de ecuaciones
que se especifican mediante expresiones o series de actualización automática. Puede, por ejemplo, especificar
su variable dependiente como LOG(X) o usar una serie regresora de actualización automática EXPZ que se
define usando la expresión EXP(Z). El uso de expresiones o series de actualización automática en las
ecuaciones no crea una complejidad adicional para la estimación, ya que EViews simplemente evalúa la serie
implícita antes de calcular el estimador de la ecuación.
El uso de expresiones en ecuaciones plantea problemas cuando se calculan pronósticos a partir de ecuaciones.
Si bien no es particularmente compleja o difícil de abordar, la situación requiere una comprensión básica de los
problemas involucrados, y se debe tener cuidado al especificar su pronóstico.
Al analizar los temas relevantes, distinguimos entre especificaciones que contienen solo expresiones de series
automáticas, como LOG(X), y aquellas que contienen series de actualización automática, como EXPZ.
Pronóstico utilizando expresiones de serie automática
Cuando se pronostica a partir de una ecuación que contiene solo series ordinarias o expresiones de series
automáticas como LOG(X), surgen problemas solo cuando la variable dependiente se especifica mediante una
expresión.
Pronósticos puntuales
EViews siempre le brinda la opción de pronosticar la expresión de la variable dependiente.

Si la expresión se puede normalizar (resuelta para la primera serie de la expresión), EViews también le brinda
la opción de pronosticar la serie normalizada.
Por ejemplo, suponga que estimó una ecuación con la especificación:
(log(hs)+sp) c hs(-1)
Si presiona el botón Pronóstico , EViews abrirá un cuadro de diálogo que le solicitará la especificación de su
pronóstico.
El cuadro de diálogo Pronóstico

resultante es una versión un poco más
compleja del cuadro de diálogo básico, que
le brinda una nueva sección que le permite
elegir entre dos series para pronosticar: la
serie normalizada, HS, o la variable
dependiente de la ecuación, LOG(HS)+SP.
Simplemente seleccione el botón de radio

para la serie de pronóstico deseada. Tenga
en cuenta que no tiene la oportunidad de
pronosticar SP directamente desde HS, la
primera serie que aparece en el lado izquierdo
de la estimación.
ecuación, se ofrece como la opción de serie
normalizada.
Es importante tener en cuenta que el método de pronóstico dinámico está disponible ya que EViews puede
determinar que la ecuación de pronóstico tiene elementos dinámicos, con HS que aparece en el lado izquierdo
de la ecuación (ya sea directamente como HS o en la expresión LOG(HS) +SP) y en el lado derecho de la
ecuación en forma rezagada. Si selecciona pronóstico dinámico,
Los valores pronosticados para HS(-1) se utilizarán para formar pronósticos de HS o LOG(HS)+SP.
Si la fórmula se puede normalizar, EViews calculará los pronósticos de la variable dependiente transformada
pronosticando primero la serie normalizada y luego transformando los pronósticos de la serie normalizada. Esta
metodología tiene importantes consecuencias cuando la fórmula incluye series rezagadas. Por ejemplo,
considere los siguientes dos modelos:
serie dhs = d(hs)
ecuación eq1.ls d(hs) c sp

ecuación eq2.ls dhs c sp
Los pronósticos dinámicos de la primera diferencia D(HS) de la primera ecuación serán numéricamente
idénticos a los de DHS de la segunda ecuación. Sin embargo, los pronósticos estáticos para D(HS) de las dos
ecuaciones no serán idénticos. En la primera ecuación, EViews sabe que la variable dependiente es una
transformación de HS, por lo que utilizará el valor rezagado real de HS para calcular el pronóstico estático de la
primera diferencia D(HS). En la segunda ecuación, EViews simplemente ve a DY como una serie ordinaria, de
modo que solo se usan la constante estimada y SP para calcular el pronóstico estático.
Una advertencia adicional: cuando tiene variables dependientes que usan valores retrasados de una serie, debe
evitar hacer referencia a la serie retrasada antes de la serie actual en una expresión de variable dependiente.
Por ejemplo, considere las dos especificaciones de la ecuación:
d(hs) c sp
(-hs(-1)+hs) c sp
Ambas especificaciones tienen la primera diferencia de HS como variable dependiente y los resultados de la
estimación son idénticos para los dos modelos. Sin embargo, si pronostica HS a partir del segundo modelo,
EViews intentará calcular los pronósticos de HS utilizando prospectos de la serie real HS.
Estos pronósticos de HS diferirán de los producidos por el primer modelo, que puede no ser lo que esperaba.
En algunos casos, EViews no podrá normalizar la expresión de la variable dependiente. En este caso, el
cuadro de diálogo Pronóstico solo le ofrecerá la opción de pronosticar la expresión completa. Si, por ejemplo,
especifica su ecuación como:
log(hs)+1/log(hs) = c(1) + c(2)*hs(-1)
EViews no podrá normalizar la variable dependiente para la previsión. El cuadro de diálogo Pronóstico
correspondiente reflejará este hecho.
Esta versión del cuadro de diálogo solo le

permite pronosticar la expresión de la variable
dependiente, ya que EViews no puede
normalizar y resolver para
SA. Tenga en cuenta también que solo los
pronósticos estáticos están disponibles para este caso, ya que
EViews no puede resolver los valores

rezagados de HS en el lado derecho.
Errores estándar graficados
Cuando selecciona Gráfico de pronóstico

en el cuadro de diálogo de pronóstico,
EViews trazará los pronósticos, junto con
más y menos dos bandas de error estándar.
Cuando estima una ecuación con una expresión para el lado izquierdo, EViews trazará las bandas de error
estándar para la expresión normalizada o no normalizada, según el término que elija pronosticar.
Si elige predecir la variable dependiente normalizada, EViews tendrá en cuenta automáticamente cualquier no
linealidad en la transformación de error estándar. La siguiente sección proporciona detalles adicionales sobre el
procedimiento utilizado para normalizar los límites de error superior e inferior.
Errores estándar de previsión guardados
Si proporciona un nombre en este cuadro de edición, EViews almacenará los errores estándar de la serie o
expresión subyacente que eligió pronosticar.
Cuando la variable dependiente de la ecuación es una serie simple o una expresión que involucra solo
transformaciones lineales , los errores estándar guardados serán exactos (excepto cuando los pronósticos no
tengan en cuenta la incertidumbre del coeficiente, como se describe a continuación). Si la variable dependiente
involucra transformaciones no lineales, los errores estándar de pronóstico guardados serán exactos si elige
pronosticar la fórmula completa. Si elige pronosticar la serie endógena subyacente, la incertidumbre del
pronóstico no se puede calcular con exactitud y EViews proporcionará una aproximación lineal (de primer orden)
a los errores estándar del pronóstico.
Considere las siguientes ecuaciones que involucran una variable dependiente de la fórmula:
d(hs) c sp
registro (hs) c sp
Para la primera ecuación, puede optar por pronosticar HS o D(HS). En ambos casos, los errores estándar de
pronóstico serán exactos, ya que la expresión involucra solo transformaciones lineales. Sin embargo, los dos
errores estándar diferirán en los pronósticos dinámicos ya que los errores estándar de pronóstico para HS toman
en cuenta la incertidumbre del pronóstico del valor rezagado de
SA. En el segundo ejemplo, los errores estándar de pronóstico para LOG(HS) serán exactos. Sin embargo, si
solicita un pronóstico para HS, los errores estándar guardados en la serie serán los errores estándar de pronóstico
aproximados (linealizados) para HS.
Tenga en cuenta que cuando EViews muestra una vista de gráfico de los pronósticos junto con las bandas de error
estándar, las bandas de error estándar siempre son exactas. Por lo tanto, al pronosticar la variable dependiente
subyacente en una expresión no lineal, las bandas de error estándar no serán las mismas que las que obtendría al
construir series usando los errores estándar linealizados guardados en el archivo de trabajo.
Suponga que en nuestro segundo ejemplo anterior almacena el pronóstico de HS y sus errores estándar en el
archivo de trabajo como la serie HSHAT y SE_HSHAT. Luego, los dos límites de error estándar aproximados se
pueden generar manualmente como:
serie hshat_high1 = hshat + 2*se_hshat

serie hshat_low1 = hshat - 2*se_hshat
Estos límites de error de pronóstico serán simétricos con respecto a los pronósticos puntuales HSHAT.
Por otro lado, cuando EViews traza los límites de error de pronóstico de HS, procede en dos pasos. Primero
obtiene el pronóstico de LOG(HS) y sus errores estándar (llamados, por ejemplo, LHSHAT y SE_LHSHAT) y forma
los límites de error de pronóstico en LOG(HS):
lhshat + 2*se_lhshat
lhshat - 2*se_lhshat
Luego normaliza (invierte la transformación) de los dos límites de error estándar para obtener el intervalo de
predicción para HS:
serie hshat_high2 = exp(hshat + 2*se_hshat)

serie hshat_low2 = exp(hshat - 2*se_hshat)
Debido a que esta transformación es una transformación no lineal, estas bandas no serán simétricas alrededor del
pronóstico.
Para tomar un ejemplo más complicado, suponga que genera las series DLHS y LHS, y luego estima tres modelos
equivalentes:
serie dlhs = dlog(hs)

serie lhs = log(hs)
ecuación eq1.ls dlog(hs) c sp
ecuación eq2.ls d(lhs) c sp
ecuación eq3.ls dlhs c sp
Las ecuaciones estimadas de los tres modelos son numéricamente idénticas. Si elige pronosticar la serie
dependiente subyacente (normalizada) de cada modelo, EQ1 pronosticará HS, EQ2 pronosticará LHS (el logaritmo
de HS) y EQ3 pronosticará DLHS (la primera diferencia de los logaritmos de HS, LOG(HS )–LOG(HS(–1)). Los
errores estándar de pronóstico guardados de EQ1 serán
aproximaciones linealizadas al error estándar de pronóstico de HS, mientras que las de los dos últimos serán
exactas para el error estándar de pronóstico de LOG(HS) y la primera diferencia de los logaritmos de HS.
Los pronósticos estáticos de los tres modelos son idénticos porque los pronósticos de períodos anteriores no se
usan para calcular el pronóstico de este período cuando se realizan pronósticos estáticos. Para los pronósticos
dinámicos, el logaritmo de los pronósticos de EQ1 será idéntico a los de EQ2 y el logaritmo de la primera
diferencia de los pronósticos de EQ1 será idéntico a la primera diferencia de los pronósticos de EQ2 ya los
pronósticos de EQ3. Para pronósticos estáticos, la primera diferencia logarítmica de los pronósticos de EQ1 será
idéntica a la primera diferencia de los pronósticos de EQ2.
Sin embargo, estos pronósticos difieren de los obtenidos de EQ3 porque EViews no sabe que la serie
generada DLY es en realidad un término de diferencia por lo que no utiliza la relación dinámica en los pronósticos.
Pronóstico con series de actualización automática
Cuando se pronostica a partir de una ecuación que contiene series de actualización automática definidas por
fórmulas, la pregunta central es si EViews interpreta la serie como una serie ordinaria o si trata la serie de
actualización automática como expresiones.
Supongamos, por ejemplo, que hemos definido las series de actualización automática LOGHS y LOGHSLAG,
para el registro de HAS y el registro de HS(-1), respectivamente,
registros frml = registro (hs)

frml loghslag = log(hs(-1))
y que empleamos estas series de actualización automática para estimar una especificación de ecuación:
loghs c loghslag
Vale la pena señalar que esta especificación arroja resultados idénticos a los que se obtienen al estimar una
ecuación usando las expresiones directamente usando LOG(HS) y LOG(HS(-
1)):
log(hs) c log(hs(-1))
El cuadro de diálogo Pronóstico para la especificación de la primera ecuación (usando LOGHS y LOGHSLAG)
contiene un menú desplegable adicional que le permite especificar si interpreta la serie de actualización
automática como una serie ordinaria o si busca dentro de LOGHS y LOGHSLAG para usar sus expresiones.
Pronóstico con especificaciones no lineales y PDL—173
De manera predeterminada, el menú

desplegable está configurado para Ignorar
fórmulas dentro de la serie, de modo que
LOGHS y LOGHSLAG se vean como series
ordinarias. Tenga en cuenta que dado que
EViews ignora las expresiones subyacentes

a la serie de actualización automática, solo
puede pronosticar la serie dependiente
LOGHS, y no hay dinámicas implícitas en la
ecuación.
Alternativamente, puede indicar a

EViews que use las expresiones en lugar
de todas las series de actualización
automática cambiando la configuración del
menú desplegable a Sustituir fórmulas
dentro de la serie.
Si elige sustituir las fórmulas, el cuadro de

diálogo Pronóstico cambiará para reflejar el
uso de las expresiones subyacentes, ya que
ahora puede elegir entre pronosticar HS o
LOG(HS).
También vemos que cuando usa las
expresiones sustituidas, puede realizar
pronósticos dinámicos o estáticos.
Vale la pena señalar que la sustitución de

expresiones produce un cuadro de diálogo
Pronóstico que ofrece las mismas opciones
que si fuera a pronosticar a partir de la
especificación de la segunda ecuación

anterior, usando LOG(HS) como expresión de
serie dependiente y LOG(HS(-1)) como una expresión de serie independiente.
Pronóstico con especificaciones no lineales y PDL

Como se explicó anteriormente, los errores de pronóstico pueden surgir de dos fuentes: la incertidumbre del
coeficiente y la incertidumbre de la innovación. Para los modelos de regresión lineal, los errores estándar de
pronóstico representan tanto la incertidumbre del coeficiente como la innovación. Sin embargo, si el modelo se
especifica mediante una expresión (o si contiene una especificación PDL), los errores estándar ignoran la incertidumbre del coeficien
EViews mostrará un mensaje en la línea de estado en la parte inferior de la ventana de EViews cuando los errores
estándar de pronóstico solo representen la incertidumbre de la innovación.
Por ejemplo, considere las tres especificaciones:
registro (y) cx
y = c(1) + c(2)*x
y = exp(c(1)*x)
ycx pdl(z, 4, 2)
Los errores estándar de pronóstico de la cuenta del primer modelo tanto para el coeficiente como para la innovación
incertidumbre ya que el modelo se especifica por lista y no contiene una especificación PDL.
Las especificaciones restantes tienen errores estándar de pronóstico que representan solo la incertidumbre residual.
Tenga en cuenta también que para el pronóstico dinámico no lineal, EViews produce lo que Tong y Lim (1980)
denominan la "función de pronóstico eventual" en la que los valores pronosticados retrasados se sustituyen
recursivamente en la función de un paso adelante. Si desea obtener un pronóstico de varios pasos basado en
simulación, puede crear un modelo a partir de su ecuación usando Proc/Make Model y luego usar el modelo resultante
para realizar la simulación estocástica dinámica.
Referencias
Tong, H. y KS Lim (1980). “Umbral de autorregresión, ciclos límite y datos cíclicos”, Revista de la Royal Statistical Society.
Serie B (Metodológica), 42, 245–292.
Capítulo 24. Pruebas de especificación y diagnóstico
La investigación empírica suele ser un proceso interactivo. El proceso comienza con una especificación de la relación a
estimar. La selección de una especificación generalmente implica varias opciones: las variables que se incluirán, la forma
funcional que conecta estas variables y, si los datos son series temporales, la estructura dinámica de la relación entre las
variables.
Inevitablemente, existe incertidumbre con respecto a la idoneidad de esta especificación inicial.

Una vez que estima su ecuación, EViews proporciona herramientas para evaluar la calidad de su especificación a lo largo de
una serie de dimensiones. A su vez, los resultados de estas pruebas influyen en la especificación elegida y el proceso se
repite.
Este capítulo describe el extenso menú de estadísticas de prueba de especificación que están disponibles como vistas o
procedimientos de un objeto de ecuación. Si bien intentamos brindarle suficientes antecedentes estadísticos para realizar las
pruebas, las consideraciones prácticas aseguran que muchas de las descripciones estén incompletas. Lo remitimos a las
referencias estadísticas y econométricas estándar para obtener más detalles.
Fondo
Cada procedimiento de prueba que se describe a continuación implica la especificación de una hipótesis nula, que es la
hipótesis bajo prueba. La salida de un comando de prueba consiste en los valores de muestra de una o más estadísticas de
prueba y sus números de probabilidad asociados (valores p). Estos últimos indican la probabilidad de obtener un estadístico
de prueba cuyo valor absoluto sea mayor o igual al del estadístico muestral si la hipótesis nula es cierta. Por lo tanto, los
valores de p bajos conducen al rechazo de la hipótesis nula. Por ejemplo, si un valor p se encuentra entre 0,05 y 0,01, la
hipótesis nula se rechaza al nivel del 5 por ciento pero no al del 1 por ciento.
Tenga en cuenta que existen diferentes suposiciones y resultados distributivos asociados con cada prueba. Por ejemplo,
algunas de las estadísticas de prueba tienen distribuciones de muestra exactas y finitas (generalmente distribuciones t o F).
2
Otros son estadísticos de prueba de muestras grandes con distribuciones asintóticas. Los detalles varían de una prueba
X a
otra y se dan a continuación en la descripción de cada prueba.
El botón Ver en la barra de herramientas de la ecuación le permite elegir entre tres categorías de pruebas para verificar la
especificación de la ecuación. Para algunas ecuaciones estimadas utilizando métodos particulares, solo estará disponible un
subconjunto de estas categorías.
Las pruebas adicionales se analizan en otra parte de la Guía del usuario.
Estas pruebas incluyen pruebas de raíz unitaria ("Realización de pruebas de raíz

unitaria en EViews" en la página 590), la prueba de causalidad de Granger ("Granger
causalidad” en la página 606 de la Guía del usuario I), pruebas específicas para
176—Capítulo 24. Especificaciones y pruebas de diagnóstico
modelos binarios, de orden, censurados y de conteo (Capítulo 29. “Modelos de variables dependientes discretas
y limitadas”, en la página 331) y las pruebas de cointegración (“Pruebas de cointegración” en la página 282).
Coeficiente de Diagnóstico
Estos diagnósticos brindan información y evalúan restricciones sobre los coeficientes estimados, incluyendo
el caso especial de las pruebas para variables omitidas y redundantes.
Coeficientes escalados
La vista Coeficientes escalados muestra las estimaciones

de coeficientes, las estimaciones de coeficientes
estandarizados y la elasticidad en las medias. Los
coeficientes estandarizados son las estimaciones puntuales
de los coeficientes estandarizados multiplicando por la
desviación estándar de la variable dependiente dividida por la
desviación estándar del regresor.
La elasticidad en las medias son las estimaciones puntuales

de los coeficientes escaladas por la media de la variable dependiente dividida por la media de la
regresor
Intervalos de confianza y elipses de confianza
La vista Intervalos de confianza muestra una tabla de intervalos de confianza para cada uno de los coeficientes
de la ecuación.
El cuadro de diálogo Intervalos de confianza le permite ingresar el

tamaño de los niveles de confianza. Estos se pueden ingresar como una
lista de decimales delimitada por espacios, o como el nombre de un
escalar o vector en el archivo de trabajo que contiene niveles de
confianza. También puede elegir cómo le gustaría mostrar los intervalos
de confianza. De forma predeterminada, se mostrarán en pares donde
los valores alto y bajo para cada nivel de confianza se muestran uno al
lado del otro. Al desmarcar la casilla de verificación Organizar en pares , puede optar por mostrar los intervalos
de confianza de forma concéntrica.
La vista Elipse de confianza traza la región de confianza conjunta de dos funciones cualquiera de los parámetros
estimados de un objeto de estimación de EViews. Junto con los puntos suspensivos, puede optar por mostrar
los intervalos de confianza individuales.
Motivamos nuestra discusión de esta vista señalando que la vista de prueba de Wald (Ver/Diagnóstico de
coeficientes/Wald - Restricciones de coeficientes...) le permite probar restricciones en el
Diagnóstico de coeficiente—177
coeficientes estimados de un objeto de estimación. Cuando realiza una prueba de Wald, EViews proporciona una tabla
de salida que muestra los valores numéricos asociados con la prueba.
Un enfoque alternativo para mostrar los resultados de una prueba de Wald es mostrar un intervalo de confianza. Para un
tamaño de prueba dado, digamos 5%, podemos mostrar el intervalo unidimensional dentro del cual debe estar el estadístico
de prueba para que no rechacemos la hipótesis nula. Comparar la realización del estadístico de prueba con el intervalo
corresponde a realizar la prueba de Wald.
El intervalo de confianza unidimensional puede generalizarse al caso de dos restricciones, donde formamos una región
de confianza conjunta o elipse de confianza. La elipse de confianza puede interpretarse como la región en la que debe estar
la realización de dos estadísticos de prueba para que no rechacemos la nula.
Para mostrar puntos suspensivos de confianza en EViews, simplemente seleccione Ver/Diagnóstico de coeficiente/Elipse
de confianza... en la barra de herramientas del objeto de estimación. EViews mostrará un cuadro de diálogo que le pedirá
que especifique las restricciones del coeficiente y el tamaño de la prueba, y que seleccione las opciones de visualización.
La primera parte del cuadro de diálogo es idéntica a la que se encuentra

en la vista de prueba de Wald: aquí, ingresará sus restricciones de
coeficiente en el cuadro de edición, con múltiples restricciones separadas
por comas. El cálculo de la elipse de confianza requiere un mínimo de
dos restricciones. Si proporciona más de dos restricciones, EViews
mostrará todos los pares únicos de puntos suspensivos de confianza.
En este ejemplo simple que se muestra aquí usando la ecuación EQ01

del archivo de trabajo "Cellipse.WF1", proporcionamos una lista (separada
por comas) de coeficientes de la ecuación estimada. Esta descripción
de las restricciones aprovecha el hecho de que EViews interpreta
cualquier expresión sin un signo igual explícito como igual a cero (de modo que "C(1)" y "C(1)=0" son equivalentes). Por
supuesto, puede ingresar una restricción explícita que involucre un signo igual (por ejemplo, “C(1)+C(2) = C(3)/2”).
A continuación, seleccione un tamaño o tamaños para las elipses de confianza. Aquí, le indicamos a EViews que construya
una elipse de confianza del 95 %. Bajo la hipótesis nula, los valores estadísticos de prueba estarán fuera de la elipse de
confianza correspondiente el 5% del tiempo.
Por último, elegimos una opción de visualización para los intervalos de confianza individuales. Si selecciona Línea
o Shade, EViews marcará el intervalo de confianza para cada restricción, permitiéndole ver, de un vistazo, los resultados
individuales. Línea mostrará los intervalos de confianza individuales como líneas de puntos; Shade mostrará los intervalos
de confianza como una región sombreada. Si selecciona Ninguno, EViews no mostrará los intervalos individuales.
El resultado muestra tres elipses de confianza que resultan de las pruebas por pares implícitas en las tres
restricciones ("C(1)=0", "C(2)=0" y "C(3)=0").
Note primero la presencia de las líneas

punteadas que muestran los intervalos de -.012
confianza correspondientes para los
-.014
coeficientes individuales.
-.016
-.018
Lo siguiente que salta a la vista de este
-.020
ejemplo es que las estimaciones de los
-.022
coeficientes están muy correlacionadas: si
las estimaciones fueran independientes, las .8
elipses serían círculos exactos.

.7
Puedes ver fácilmente la importancia de esta
correlación. Por ejemplo, centrándose en la .6
elipse para C(1) y C(3) representada en la

esquina inferior izquierda, un C(1) estimado
-.6 -.5 -.4
de –0,65 es suficiente para rechazar la -.020 -.016 -.012
C(1)
hipótesis de que C(1)= 0 (ya que cae por C(2)
debajo del final del intervalo de confianza

univariado). Si C(3)=.8, no podemos rechazar el nulo conjunto de que C(1)=0, y C(3)=0 (ya que C(1)=-.65,
C(3)=.8 cae dentro la elipse de confianza).
EViews le permite mostrar más de un tamaño para sus puntos suspensivos de confianza. Esta característica le
permite dibujar contornos de confianza para que pueda ver cómo cambia la región de rechazo en diferentes
valores de probabilidad. Para hacerlo, simplemente ingrese una lista delimitada por espacios de niveles de
confianza. Tenga en cuenta que mientras que las expresiones de restricción de coeficiente deben estar separadas
por comas, los niveles de contorno deben estar separados por espacios.
.85
.80
.75
.70
.sesenta y cinco
.60
.55
.50
-.022 -.020 -.018 -.016 -.014 -.012 -.010
C(2)
Aquí, los intervalos de confianza individuales se representan con sombreado. Los intervalos individuales se basan
en el nivel de confianza de mayor tamaño (que tiene el intervalo más amplio), en este caso, 0,9.
Detalles computacionales
Considere dos funciones de los parámetros f1ÿ ÿ b ción fÿ ÿ b y f2ÿ ÿb , y definir la función bivariada
ÿ ÿ f1ÿ ÿ b f , 2ÿ ÿ b ÿ
.
La elipse de b
a confianza conjunta de tamaño se define como el conjunto de puntos tales que:
–1
ÿ bˆ
ÿÿ Vÿ
ÿ bfÿ –bˆÿ ÿ ÿÿ bf – ÿ ÿ bˆ ÿ cÿ
a
(24.1)
parámetros,
bˆ Vÿ
el valor
ÿ bˆ donde
críticoson
de tamaño
las estimaciones
para la distribución
de los es la matriz de covarianza de b , y es la ca
a
relacionada. Si las estimaciones de los parámetros se basan en mínimos cuadrados Fÿ ÿ , el 2, n – 2
se utiliza la distribución; si las estimaciones de los parámetros se basan en la
2
la x ÿ ÿ 2 probabilidad, se empleará la distribución.
Los intervalos individuales son intervalos de dos colas basados en la distribución t (en los casos en que se
calcula usando la distribución F), o la distribución normal (donde ca ca
2
se toma de la distribución).
X
Factores de inflación de varianza
Los factores de inflación de varianza (VIF) son un método para medir el nivel de colinealidad entre los
regresores en una ecuación. Los VIF muestran cuánto de la varianza de la estimación de un coeficiente de un
regresor se ha inflado debido a la colinealidad con los otros regresores. Se pueden calcular simplemente dividiendo
la varianza de un coeficiente estimado por la varianza de ese coeficiente si no se hubieran incluido otros regresores
en la ecuación.
Hay dos formas del factor de inflación de varianza: centrado y no centrado. el centrado
VIF es la relación de la varianza del coeficiente estimado de la ecuación original dividida por la varianza del
coeficiente estimado de una ecuación con solo ese regresor y una constante. El VIF no centrado es el cociente de
la varianza del coeficiente estimado a partir de la
ecuación original dividida por la varianza de un coeficiente estimado de una ecuación con un solo regresor (y sin
constante). Tenga en cuenta que si su ecuación original no tenía una constante, solo se mostrará el VIF no centrado.
La vista VIF para EQ01 del archivo de trabajo "Cellipse.WF1" contiene:

Factores de inflación de varianza

Fecha: 10/08/09 Hora: 14:35
Muestra: 1968 1982
Coeficiente no centrado
Variable Diferencia V.F.I.
X1 0.002909 1010.429
X2 3.72E-06 106.8991
X3 0.002894 1690.308
X4 1.43E-06 31.15205
X5 1.74E-06 28.87596
El VIF centrado es numéricamente idéntico a ÿ, donde es1el1RR2 ÿ ÿ R2

cuadrado de la regresión de ese regresor en todos
los otros regresores en la ecuación.
Tenga en cuenta que dado que los VIF se calculan a partir de la matriz de varianza-covarianza del coeficiente,
cualquier opción de error estándar robusta estará presente en los VIF.
Descomposición de la varianza del coeficiente
La vista Descomposición de la varianza del coeficiente de una ecuación proporciona información sobre la
descomposición del vector propio de la matriz de covarianza del coeficiente. Esta descomposición es una herramienta
útil para ayudar a diagnosticar posibles problemas de colinealidad entre los regresores. Los cálculos de la posición
de descomposición siguen los proporcionados por Belsley, Kuh y Welsch (BKW) 2004 (Sección 3.2). Tenga en
cuenta que aunque BKW utiliza la descomposición en valores singulares como método para descomponer la matriz
de varianza-covarianza, dado que esta matriz es una matriz semidefinida positiva cuadrada, el uso de la
descomposición en valores propios producirá los mismos resultados.
En el caso de una regresión lineal simple de mínimos cuadrados, la matriz de coeficientes de varianza-covarianza
se puede descomponer de la siguiente manera:
2 –1 2
varÿ ÿ bˆ ÿ
j ÿ ÿ XÿX ÿ
j VS -1 Vÿ (24.2)
S una matriz diagonal que contiene los valores propios de, XÿX
donde es y es una
V matriz cuyas columnas
son iguales a los vectores propios correspondientes.
La varianza de la estimación de un coeficiente individual es entonces:
2 2
era bˆi ÿÿvijÿ ÿ j (24.3)
donde es el j-ésimo valor propio, y es el (i,j)-ésimo elemento de . EN

mj vij
Llamamos al j-ésimo número de condición de la matriz de covarianza, :

kj
minÿ ÿ mm
ÿ --------------------------------------
(24.4)
kj
mj
Coeficiente de diagnóstico—181
Si dejamos:
2
ÿ ----- vij (24.5)
sacrificio
mj
y
(24.6)
ser ÿ ÿ sacrificio
entonces podemos denominar la proporción de descomposición de la varianza como:
ÿ ------sacrificio
(24.7)
pji
ser
Estas proporciones, junto con los números de condición, se pueden utilizar como herramienta de
diagnóstico para determinar la colinealidad entre cada uno de los coeficientes.
Belsley, Kuh y Welsch recomiendan el siguiente procedimiento:
• Verificar los números de condición de la matriz. Un número de condición inferior a 1/900 (0,001)
podría significar la presencia de colinealidad. Tenga en cuenta que BKW usa una regla de
cualquier número mayor que 30, pero la basa en los números de condición de, Xmás bien que
XÿX–1 .
• Si hay uno o más números de condición pequeños, entonces se deben investigar las proporciones
de descomposición de la varianza. Dos o más variables con valores superiores a 0,5 asociadas
a un número de condición pequeño indican la posibilidad de colinealidad entre esas dos
variables.
Para ver la descomposición de la varianza del coeficiente en EViews, seleccione Ver/Diagnóstico del
coeficiente/Descomposición de la varianza del coeficiente. EViews luego mostrará una tabla que
muestra los valores propios, los números de condición, las proporciones de descomposición de varianza
correspondientes y, con fines comparativos, los vectores propios correspondientes.
Como ejemplo, estimamos una ecuación usando datos de Longley (1967), como se volvió a publicar en
Greene (2008). El archivo de trabajo "Longley.WF1" contiene variables macroeconómicas para los EE.
UU. entre 1947 y 1962 y, a menudo, se usa como ejemplo de multicolinealidad en un conjunto de datos.
La ecuación que estimamos hace una regresión del empleo en el año (AÑO), el deflactor del PNB (PRICE),
el PNB y el tamaño de las fuerzas armadas (ARMED). La descomposición de la varianza del coeficiente para esta
ecuación se muestra a continuación.
Descomposición de la varianza del coeficiente

Fecha: 16/07/09 Hora: 12:42
Muestra: 1947 1962
Valores propios 17208.87 0.208842 0.054609 1.88E-07

Condición 1.09E-11 9.02E-07 3.45E-06 1.000000
Proporciones de descomposición de la varianza
Valor propio asociado 2 3

Variable 1 4
AÑO 0.988939 0.010454 0.000607 2.60E-13 1.000000 9.20E-09

PRECIO 5.75E-10 7.03E-19
PNB 0.978760 0.002518 0.017746 0.000975 0.037677 0.441984
ARMADO 0.520339 9.31E-11
vectores propios
Valor propio asociado 2 3

Variable 1 4
AÑO 0.030636 -0.904160 -0.426067 -0.004751 -0.999531

PRECIO -0.027528 -0.013451 -0.000253
PNB 0,000105 0,001526 0,007921 -0,999967 0,000434
ARMADO 0,426303 -0,904557 -0,006514
La línea superior de la tabla muestra los valores propios, ordenados de mayor a menor, con los números de
condición a continuación. Tenga en cuenta que el número de condición final siempre es igual a 1. Tres de los
cuatro valores propios tienen números de condición menores que 0.001, siendo el número de condición más
pequeño muy pequeño: 1.09E-11, lo que indicaría una gran cantidad de colinealidad.
La segunda sección de la tabla muestra las proporciones de descomposición. Las proporciones asociadas con
el número de condición más pequeño se encuentran en la primera columna. tres de estos
los valores son mayores a 0.5, de hecho son muy cercanos a 1. Esto indica que existe un alto nivel de colinealidad
entre esas tres variables, AÑO, PRECIO y PNB.
Prueba de Wald (restricciones de coeficiente)
La prueba de Wald calcula una estadística de prueba basada en la regresión sin restricciones. El estadístico de
Wald mide qué tan cerca llegan las estimaciones no restringidas de satisfacer las restricciones bajo la hipótesis
nula. Si las restricciones son de hecho verdaderas, entonces las estimaciones no restringidas deberían estar cerca
de satisfacer las restricciones.
Cómo realizar pruebas de coeficiente de Wald
Para demostrar el cálculo de las pruebas de Wald en EViews, consideramos ejemplos simples.
Suponga que se ha estimado una función de producción Cobb-Douglas en la forma:
logQ ÿ A ÿÿÿ alogL blogK e , (24.8)
donde NKL, y denote la producción de valor agregado y los insumos de capital y mano de obra,
respectivamente. La hipótesis de rendimientos constantes a escala se contrasta luego con la restricción:
ab ÿ ÿ 1 .
La estimación de la función de producción Cobb-Douglas utilizando datos anuales de 1947 a 1971 en

el archivo de trabajo "Coef_test.WF1" arrojó el siguiente resultado:
Variable dependiente: LOG(Q)

Fecha: 10/08/09 Hora: 11:46
Muestra: 1947 1971
C -2.327939 0.410601 -5.669595 0.0000

REGISTRO(L) 1.591175 0.167740 9.485970 0.0000
REGISTRO(K) 0.239604 0.105390 2.273498 0.0331

0.000000
La suma de los coeficientes de LOG(L) y LOG(K) parece exceder uno, pero para determinar si la
diferencia es estadísticamente relevante, realizaremos la prueba de hipótesis de rendimientos
constantes.
Para realizar una prueba de Wald, seleccione Ver/Diagnóstico de coeficientes/Restricciones de

coeficientes de Wald... en la barra de herramientas de la ecuación. Introduzca las restricciones en el
cuadro de edición, con restricciones de coeficientes múltiples separadas por comas. Las restricciones
deben expresarse como ecuaciones que incluyan los coeficientes y constantes estimados. Los coeficientes
deben denominarse C(1), C(2), etc., a menos que haya utilizado un vector de coeficientes diferente en la estimación.
Si ingresa una restricción que involucra un nombre de serie, EViews le pedirá que ingrese una
observación en la que se evaluará la estadística de prueba. El valor de la serie en ese período se
tratará como una constante a efectos de construir la estadística de prueba.
Para probar la hipótesis de rendimientos constantes a escala, escriba la siguiente restricción en el cuadro de
diálogo:
c(2) + c(3) = 1
y haga clic en Aceptar. EViews informa el siguiente resultado de la prueba de Wald:
Prueba de Wald:
Ecuación: EQ1
Hipótesis Nula: C(2) + C(3) = 1
estadística t 10.95526 22 0.0000

estadística F 120.0177 (1, 22) 1 0.0000
Chi-cuadrado 120.0177 0.0000
-1 + C(2) + C(3) 0.830779 0.075834
EViews informa una estadística F y una estadística Chi-cuadrado con valores p asociados. En casos con una sola
restricción, EViews informa el equivalente estadístico t del estadístico F. Consulte “Detalles de la prueba de Wald”
en la página 187 para obtener una explicación de estas estadísticas. Además, EViews informa el valor de la
restricción normalizada (homogénea) y un error estándar asociado. En este ejemplo, tenemos una única restricción
lineal, por lo que el estadístico F y el estadístico Chi-cuadrado son idénticos, y el valor p indica que podemos rechazar
definitivamente la hipótesis nula de rendimientos constantes a escala.
Para probar más de una restricción, separe las restricciones con comas. Por ejemplo, para probar la hipótesis de que
la elasticidad de la producción con respecto al trabajo es 2/3 y la elasticidad con respecto al capital es 1/3, ingrese las
restricciones como,
c(2)=2/3, c(3)=1/3
y los informes de EViews:

Prueba de Wald:
Ecuación: EQ1
Hipótesis nula: C(2)=2/3, C(3)=1/3
estadística F 106.6113 (2, 22) 2 0.0000
Chi-cuadrado 213.2226 0.0000
-2/3 + C(2) 0.924508 0.167740
-1/3 + C(3) -0.093729 0.105390
Tenga en cuenta que además del resumen de la estadística de prueba, informamos los valores de ambas
restricciones normalizadas, junto con sus errores estándar (las raíces cuadradas de los elementos
diagonales de la matriz de covarianza de restricción).
Como ejemplo de un modelo no lineal con una restricción no lineal, estimamos una función de producción
general de la forma:
logQ b1
ÿ ÿ b2 b3Kb4 1 b3 _
registroÿ ÿ b4 ÿ – L ÿ ÿy (24.9)
y pruebe la restricción de la función de producción de elasticidad constante de sustitución (CES)

b2 1 b4 ÿ ÿ . Este es un ejemplo de una restricción no lineal. Para estimar el modelo no lineal (sin
restricciones), puede inicializar los parámetros usando el comando
parámetro c(1) -2.6 c(2) 1.8 c(3) 1e-4 c(4) -6
luego seleccione Quick/Estimate Equation… y luego estime la siguiente especificación:
log(q) = c(1) + c(2)*log(c(3)*k^c(4)+(1-c(3))*l^c(4))
para obtener
Variable dependiente: LOG(Q)

Fecha: 10/08/09 Hora: 13:39
Muestra: 1947 1971

LOG(Q)=C(1)+C(2)*LOG( C(3)*K^C(4)+(1-C(3))*L^C(4) )
C(1) -2.655953 0,337610 -7,866935 0,245596 0.0000
C(2) -0.301579 -1,227944 0,000318 0,137553 0.2331

C(3) 4.37E-05 5,100604 -1,200092 0.8919
do(4) -6.121195 0.2435

R-cuadrado ajustado SE SD var dependiente 0,042229 Criterio Akaike 0.326086
de regresión Suma info 0,037450 Criterio Schwarz 45,82200 -3.345760
cuadrada resid Logaritmo Criterio Hannan-Quinn. -3.150740

de verosimilitud Estadístico -3.291670
F 470.0092 Estadística de Durbin-Watson 0.725156
Para probar la restricción no lineal b2 1 b4 ÿ ÿ , elija Ver/Diagnóstico de coeficiente/Wald

Restricciones de coeficiente... en la barra de herramientas de ecuaciones y escriba la siguiente restricción en el
cuadro de diálogo Prueba de Wald:
c(2)=1/c(4)
Los resultados se presentan a continuación:
Prueba de Wald:

Hipótesis Nula: C(2) = 1/C(4)
estadística t -1.259105 21 0.2218

estadística F 1.585344 (1, 21) 1 0.2218
Chi-cuadrado 1.585344 0.2080
C(2) - 1/C(4) -0.138212 0.109770
Método delta calculado usando derivadas analíticas.
Nos enfocamos en los valores p para las estadísticas que muestran que no podemos rechazar la hipótesis nula.
Tenga en cuenta que EViews informa que utilizó el método delta (con derivadas analíticas) para calcular la
varianza de la restricción de Wald para la restricción no lineal.
Es bien sabido que las pruebas de Wald no lineales no son invariantes a la forma en que se especifican las
restricciones no lineales. En este ejemplo, la restricción no lineal b2 1 b4 ÿ ÿ puede
b4 y ). Por ejemplo, ingresando la restricción como,
o cero
lently se escribirá como (para distinto de
equivaler a b2b4 ÿ 1 1 b2 ÿ ÿ b2 b4
c(2)*c(4)=1
rendimientos:
Prueba de Wald:

Hipótesis nula: C(2)*C(4)=1
estadística t 11.11048 21 0.0000

estadística F 123.4427 (1, 21) 1 0.0000
Chi-cuadrado 123.4427 0.0000
-1 + C(2)*C(4) 0.846022 0.076146
Método delta calculado usando derivadas analíticas.
de modo que la prueba ahora rechaza decisivamente la hipótesis nula. Nos apresuramos a agregar que este
tipo de inconsistencia en los resultados no es exclusivo de EViews, sino que es una propiedad más general
de la prueba de Wald. Desafortunadamente, no parece haber una solución general a este problema (ver
David son y MacKinnon, 1993, Capítulo 13).
Detalles de la prueba de Wald
Considere un modelo de regresión no lineal general:
(24.10)
yf ser
donde y son -vectores

e T b ky es un -vector de parámetros a estimar. Cualquier restricción en los parámetros
y
se puede escribir como:
, (24.11)
H0: gÿ ÿ b ÿ 0
donde esseuna función

calcula suave, g g: tic
como: Rk Rq ÿ , imponiendo restricciones a . Las estadísticas
b de Wald q
ÿ
ÿ ÿgÿ ÿ b ÿgÿ ÿ bÿ
-------------- bÿb (24.12)
W gÿ ÿÿ b ÿ ÿb -------------- Vˆ ÿ ÿ b gÿ ÿ si
ÿbÿ ÿ
donde es elT número de observaciones y es el vector de parámetro

b no restringido esti Vˆ Vˆ
b compañeros, y donde es una estimación de la covarianza. En el caso de regresión estándar, viene dado por:
–1
ÿ ÿfiÿ ÿb ---------------ÿ
---------------ÿfiÿ ÿb
2
Vˆ ÿ ÿ b
ÿ
segundos
ÿ (24.13)
ÿÿ ÿb ÿ ÿbÿ ÿ
i
bÿb
2
donde es el s los residuos no restringidos ÿ ÿ ÿ uÿu ÿ ÿ ÿ N k –
en vector de residuos no restringidos, y es el estimador habitual de
2
segundos
, pero
varianza residual restringida, Vˆ el estimador de puedeENdiferir. Para
ejemplo, puede ser un estimador de matriz de varianza robusto que utiliza técnicas de White o Newey West.
2
Más formalmente, bajo la hipótesis nula H0 H0 , el estadístico de Wald tiene una x asintótica ÿÿq
distribución, donde es el número
q de restricciones bajo .
Para el caso de libro de texto de un modelo de regresión lineal,
y X ÿ ser ÿ (24.14)
y restricciones lineales:
H0: Rb – r ÿ 0 , (24.15)
donde esRuna matriz qk ÿ conocida , y es un vector,rrespectivamente.

q El estadístico de Wald en la Ecuación
(24.12) se reduce a:
–1 –1
W Rbÿ r ÿÿ – ÿ ÿ XÿX $2 ÿ ÿ ÿRÿ _ ÿ ÿ Rb r – , (24.16)
2
que se distribuye asintóticamente como X ÿ ÿ q por debajo
H0
.
y
Si asumimos además que los errores son independientes e idénticamente distribuidos normalmente, tenemos un
estadístico F exacto de muestra finita:
En ÿ ÿ qu˜ ÿu˜ – uÿu
F -----
ÿ ÿ ------------------------------------
, (24.17)
q ÿ ÿ uÿu ÿ ÿ ÿ T k –
donde estuel vector de residuos de la regresión restringida. En este caso, el estadístico F compara la suma residual
de cuadrados calculada con y sin las restricciones impuestas.
Le recordamos que la expresión para el estadístico F de muestra finita en (24.17) es para regresión lineal estándar
y no es válida para casos más generales (modelos no lineales, especificaciones ARMA o ecuaciones donde las
varianzas se estiman usando otros métodos como como Newey-West o White). En configuraciones no estándar,
la estadística F informada (que EViews siempre calcula como W qÿ
), no posee las propiedades deseadas de muestra finita. En estos casos, aunque
asintóticamente válidos, los resultados de la estadística F (y la estadística t correspondiente) deben verse como
ilustrativos y solo con fines comparativos.
Variables omitidas
Esta prueba le permite agregar un conjunto de variables a una ecuación existente y preguntar si el conjunto
contribuye significativamente a explicar la variación en la variable dependiente.
La hipótesis nula H0 es que el conjunto adicional de regresores no son conjuntamente significativos.
El resultado de la prueba es un estadístico F y un estadístico de razón de verosimilitud (LR) con valores p

asociados, junto con los resultados de la estimación del modelo sin restricciones bajo la alternativa. La estadística
F se basa en la diferencia entre las sumas residuales de cuadrados de las regresiones restringidas y no
restringidas y solo es válida en configuraciones basadas en regresión lineal.
El estadístico LR se calcula como:
LR 2ÿlr–luÿ ÿ – (24.18)
donde y son
yo los valores
a él maximizados de la función de verosimilitud logarítmica (gaussiana) de las regresiones
sin restricciones y restringidas, respectivamente. Bajo H0 , el estadístico LR tiene un
2
distribución asintótica
X con grados de libertad iguales al número de restricciones (el número de variables añadidas).
Tener en cuenta que:
• La prueba de variables omitidas requiere que exista el mismo número de observaciones en las ecuaciones
original y de prueba. Si alguna de las series que se van a agregar contiene observaciones que faltan
sobre la muestra de la ecuación original (que suele ser el caso cuando agrega variables rezagadas), no
se pueden construir las estadísticas de prueba.
• La prueba de variables omitidas se puede aplicar a ecuaciones estimadas con modelos lineales LS, ARCH
(ecuación media solamente), binarios, ordenados, censurados, truncados y de conteo. La prueba está
disponible solo si especifica la ecuación enumerando los regresores, no mediante una fórmula.
• Las ecuaciones estimadas por mínimos cuadrados en dos etapas y GMM ofrecen una variante de esta
prueba basada en la diferencia en J-estadísticos.
Para realizar una prueba de LR en estas configuraciones, puede estimar una ecuación separada para los
modelos restringidos y no restringidos sobre una muestra común, y evaluar la estadística de LR y el valor p
usando escalares y la función @cchisq , como se describe anteriormente.
Cómo realizar una prueba de variables omitidas
Para probar las variables omitidas, seleccione Ver/Diagnóstico de coeficientes/Variables omitidas-Relación

de verosimilitud... En el cuadro de diálogo que se abre, enumere los nombres de las variables de prueba, cada
una separada por al menos un espacio. Supongamos, por ejemplo, que la especificación de regresión inicial es:
log(q) c log(l) log(k)
Si entras en la lista:
registro (l) ^ 2 registro (k) ^ 2

190—Capítulo 24. Pruebas de especificación y diagnóstico
en el cuadro de diálogo, EViews informa los resultados de la regresión sin restricciones que contienen las dos
variables explicativas adicionales y muestra estadísticas que prueban la hipótesis de que los coeficientes de las
nuevas variables son conjuntamente cero. La parte superior de la salida muestra los resultados de la prueba (la
parte inferior muestra la ecuación de prueba estimada):
Prueba de variables omitidas

Ecuación: EQ1
Especificación: REGISTRO (Q) C REGISTRO (L) REGISTRO (K)
Variables omitidas: LOG(L)^2 LOG(K)^2
Valor d.f. Probabilidad

estadística F 2.490982 (2, 20) 2 0,1082
Índice de probabilidad 5.560546 0,0620
Resumen de la prueba F:
Suma de d.f. Cuadrados

Prueba SSR cuadrados medios
SSR restringido 0,008310 2 0,004155
RSS sin restricciones 0,041669 22 0,001894
RSS sin restricciones 0,033359 0,033359 20 20 0,001668 0,001668
Resumen de la prueba de LR:

Valor d.f.
Registro restringido 44.48746 22
LogL sin restricciones 47.26774 20
El estadístico F tiene una distribución F de muestra finita exacta bajo H0 para modelos lineales si el
los errores son variables aleatorias normales independientes e idénticamente distribuidas. Los grados de libertad
del numerador son el número de regresores adicionales y los grados de libertad del denominador son el número de
observaciones menos el número total de regresores. El estadístico de razón de verosimilitud logarítmica es el
2
estadístico de prueba LR y se distribuye asintóticamente como a con grados de libertad iguales al número
X de
regresores agregados.
En nuestro ejemplo, ninguna de las pruebas rechaza la hipótesis nula de que las dos series no pertenecen a la
ecuación con un nivel de significancia del 5%.
Variables redundantes
La prueba de variables redundantes le permite probar la importancia estadística de un subconjunto de sus variables
incluidas. Más formalmente, la prueba es si un subconjunto de variables en una ecuación tiene coeficientes cero y,
por lo tanto, podría eliminarse de la ecuación. La prueba de variables redundantes se puede aplicar a ecuaciones
estimadas mediante métodos lineales LS, TSLS, ARCH (ecuación media solamente), binario, ordenado, censurado,
truncado y de conteo. La prueba está disponible solo si especifica la ecuación enumerando los regresores, no
mediante una fórmula.
Cómo realizar una prueba de variables redundantes
Para probar variables redundantes, seleccione Ver/Diagnóstico de coeficientes/Ratio de probabilidad de

variables redundantes... En el cuadro de diálogo que aparece, enumere los nombres de cada una de las variables de prueba,
separados por al menos un espacio. Supongamos, por ejemplo, que la especificación de regresión inicial es:
log(q) c log(l) log(k) log(l)^2 log(k)^2
Si escribes la lista:
registro (l) ^ 2 registro (k) ^ 2
en el cuadro de diálogo, EViews informa los resultados de la regresión restringida eliminando los dos regresores,
seguidos de las estadísticas asociadas con la prueba de la hipótesis de que los coeficientes de las dos variables
son conjuntamente cero. La parte superior de la salida es:
Prueba de variables redundantes

Ecuación: EQ1
Especificación: REGISTRO (Q) C REGISTRO (L) REGISTRO (K) REGISTRO (L) ^ 2 REGISTRO (K) ^ 2
Variables redundantes: LOG(L)^2 LOG(K)^2
Valor gl Probabilidad
estadística F 2.490982 (2, 20) 2 0,1082
Índice de probabilidad 5.560546 0,0620
Suma de 2 Cuadrados
Prueba SSR cuadrados medios
SSR restringido 0,008310 22 0,004155
RSS sin restricciones 0,041669 20 0,001894
RSS sin restricciones 0,033359 0,033359 20 0,001668 0,001668

Valor d.f.
Las estadísticas de prueba informadas son la estadística F y la relación de probabilidad logarítmica. El estadístico
F tiene una distribución F de muestra finita exacta bajo H0 si los errores son variables aleatorias normales
independientes e idénticamente distribuidas y el modelo es lineal. Los grados de libertad del numerador vienen
dados por el número de restricciones de coeficientes en la hipótesis nula. Los grados de libertad del denominador
están dados por los grados de libertad de la regresión total. La prueba LR es una prueba asintótica, distribuida
2
como con grados de libertad iguales al número
X de variables excluidas bajo .
H0 En este caso, hay dos grados de libertad.
Prueba de punto de ruptura de factor
La prueba Factor Breakpoint divide la muestra de una ecuación estimada en varias submuestras clasificadas por
una o más variables y examina si existen diferencias significativas en las ecuaciones estimadas en cada una de
esas submuestras. Una diferencia significativa indica un cambio estructural en la relación. Por ejemplo, puede usar
esta prueba para examinar
si la función de demanda de energía difiere entre los diferentes estados de los Estados Unidos. La prueba se
puede utilizar con regresiones de mínimos cuadrados y de mínimos cuadrados en dos etapas.
De forma predeterminada, la prueba Factor Breakpoint comprueba si hay un cambio estructural en todos los
parámetros de la ecuación. Sin embargo, si la ecuación es lineal, EViews le permite probar si ha habido un
cambio estructural en un subconjunto de los parámetros.
Para llevar a cabo la prueba, particionamos los datos dividiendo la muestra de estimación en submuestras de
cada valor único de la variable de clasificación. Cada submuestra debe contener más observaciones que el
número de coeficientes en la ecuación para que se pueda estimar la ecuación. La prueba Factor Breakpoint
compara la suma de los cuadrados de los residuos obtenidos al ajustar una sola ecuación a la muestra completa
con la suma de los cuadrados de los residuos obtenidos cuando se ajustan ecuaciones separadas a cada
submuestra de los datos.
EViews informa tres estadísticas de prueba para la prueba Factor Breakpoint. El estadístico F se basa en la
comparación de la suma restringida y no restringida de los residuos cuadrados y, en el caso más simple que
involucra dos submuestras, se calcula como:
ÿ ÿu˜
– ÿ u1ÿu1
u˜ u2 ÿ ÿu2 ÿ ÿ ÿ k
F ÿ ------------------------------------------------- -----------------
(24.19)
ÿ u1ÿu1 u2 ÿ ÿu2 ÿ . ÿ T – 2k
dónde u˜ ÿu˜ es la suma restringida de los residuos al cuadrado, es la suma de los residuos al cuadrado de la
uiÿui
submuestra, i T es el se
número
puede
distribución
total
generalizar
de observaciones
F de
naturalmente
muestray finita
esaelmás
exacta
número
de dos
side
los erroresksonen
submuestras.
parámetros variables
Ellaestadístico
ecuación.
aleatorias
F
Esta
tiene
fórmula
normales
una
independientes e idénticamente distribuidas.
La estadística de razón de verosimilitud logarítmica se basa en la comparación del máximo restringido y no restringido
de la función de verosimilitud logarítmica (gaussiana). El estadístico de prueba LR tiene una distribución asintótica con
2x _ grados de libertad iguales a ÿ ÿ m – 1 k bajo la hipótesis nula de no cambio
estructural, donde es el número de submuestras.
metro
La estadística de Wald se calcula a partir de una prueba de Wald estándar de la restricción de que los coeficientes
de los parámetros de la ecuación son los mismos en todas las submuestras. Al igual que con el estadístico de razón
2
X
de verosimilitud logarítmica, el estadístico de Wald tiene una distribución asintótica con ÿ ÿ m – 1 k grados de
libertad, donde es el número
metro de submuestras.
Por ejemplo, supongamos que hemos estimado una especificación de ecuación de
lwage c grado edad alta
utilizando datos del archivo de trabajo "Cps88.WF1".

Diagnósticos residuales—193
A partir de esta ecuación, podemos investigar si las estimaciones

del coeficiente en la ecuación del salario difieren según la afiliación
al sindicato y el estado civil mediante el uso de las variables UNIÓN
y CASADO en una prueba de punto de quiebre factorial. Para aplicar
la prueba de punto de ruptura, presione Ver/Diagnóstico de
coeficiente/Prueba de punto de ruptura de factor... en la barra de
herramientas de la ecuación. En el cuadro de diálogo que aparece,
enumere las series que se utilizarán para clasificar la ecuación en

submuestras.
Dado que UNION contiene valores que representan unión o no unión

y CASADO contiene valores para casados y solteros, ingresar "unión
casada" especificará 4 submuestras: no unión/
casado, sin unión/soltero, unido/casado y unido/soltero. En la parte inferior del cuadro de diálogo, indicamos los nombres de
los regresores a los que se debe permitir que varíen entre los puntos de quiebre. Por defecto, todas las variables podrán variar.
Esta prueba arroja el siguiente resultado:
Prueba de punto de quiebre factorial: UNIÓN CASADO

Hipótesis nula: no hay roturas en los puntos de rotura especificados
Regresores variables: todas las variables de la ecuación
Ejemplo de ecuación: 1 1000
estadística F 6.227078 problema F(12,984) 0.0000
Relación de probabilidad logarítmica 73.19468 problema Chi-Cuadrado(12) 0.0000

Estadística de Wald 74.72494 problema Chi-Cuadrado(12) 0.0000
Valores de los factores: UNIÓN = no unión, CASADO = soltero

UNIÓN = no unión, CASADO = casado
UNIÓN = unión, CASADO = soltero

UNIÓN = unión, CASADO = casado
Tenga en cuenta que las tres estadísticas rechazan decisivamente la hipótesis nula.
Diagnósticos residuales
EViews proporciona pruebas de correlación serial, normalidad, heteroscedasticidad y heteroscedasticidad condicional
autorregresiva en los residuos de su ecuación estimada. No todas estas pruebas están disponibles para todas las especificaciones.
Correlogramas y estadísticos Q
Esta vista muestra las autocorrelaciones y las autocorrelaciones parciales de los
residuos de la ecuación hasta el número especificado
de retrasos Se proporcionan más detalles sobre estas estadísticas y las estadísticas Q de Ljung-Box que también
se calculan en “Estadísticas Q” en la página 418 en la Guía del usuario I.
Esta vista está disponible para los residuos de mínimos cuadrados, mínimos cuadrados de dos etapas, mínimos
cuadrados no lineales y modelos binarios, ordenados, censurados y de conteo. Al calcular los valores de probabilidad
para las estadísticas Q, los grados de libertad se ajustan para tener en cuenta la estimación
Términos ARMA.
Para mostrar los correlogramas y las estadísticas Q, presione View/Residual Diagnostics/Correlo gram-Q-
statistics en la barra de herramientas de la ecuación. En el cuadro de diálogo Especificación de retrasos,
especifique el número de retrasos que desea utilizar para calcular el correlograma.
Correlogramas de Residuos al Cuadrado

Esta vista muestra las autocorrelaciones y las autocorrelaciones parciales de los residuos cuadrados hasta cualquier
número especificado de rezagos y calcula las estadísticas Q de Ljung-Box para los rezagos correspondientes. Los
correlogramas de los residuos al cuadrado se pueden usar para comprobar la heteroscedasticidad condicional
autorregresiva (ARCH) en los residuos; consulte también “Prueba ARCH LM” en la página 198, a continuación.
Si no hay ARCH en los residuos, las autocorrelaciones y las autocorrelaciones parciales deben ser cero en todos los
retrasos y las estadísticas Q no deben ser significativas; consulte “Q-Statistics” en la página 418 de la Guía del
usuario I para obtener una explicación de los correlogramas y Q-statistics.
Esta vista está disponible para ecuaciones estimadas por mínimos cuadrados, mínimos cuadrados de dos etapas y
estimación de mínimos cuadrados no lineales. Al calcular la probabilidad de las estadísticas Q, los grados de libertad
se ajustan para la inclusión de términos ARMA.
Para mostrar los correlogramas y las estadísticas Q de los residuos al cuadrado, presione Ver/Diagnóstico de
residuos/Correlograma al cuadrado de residuos en la barra de herramientas de la ecuación. En el cuadro de
diálogo Especificación de retrasos que se abre, especifique el número de retrasos sobre los que calcular el correlo.
gramos
Histograma y prueba de normalidad

Esta vista muestra un histograma y estadísticas descriptivas de los residuos, incluida la estadística de Jarque-
Bera para probar la normalidad. Si los residuos se distribuyen normalmente, el histograma debe tener forma de
campana y el estadístico de Jarque-Bera no debe ser significativo; consulte “Su tograma y estadísticas” en la página
398 de la Guía del usuario I, para una discusión sobre la prueba de Jarque-Bera.
Para visualizar el histograma y la estadística de Jarque-Bera, seleccione Ver/Diagnósticos Residuales/Histograma-

2
Normalidad. El estadístico de Jarque-Bera tiene una distribución
X con dos grados de libertad bajo la hipótesis nula
de errores normalmente distribuidos.
Prueba LM de correlación en serie
Esta prueba es una alternativa a las estadísticas Q para probar la correlación serial. La prueba pertenece a la
clase de pruebas asintóticas (muestras grandes) conocidas como pruebas del multiplicador de Lagrange (LM).
A diferencia de la estadística de Durbin-Watson para errores AR(1), la prueba LM puede usarse para probar
errores ARMA de orden superior y es aplicable ya sea que haya variables dependientes rezagadas o no. Por lo
tanto, recomendamos su uso (en lugar de la estadística DW) siempre que le preocupe la posibilidad de que sus
errores muestren autocorrelación.
La hipótesis nula de la prueba LM es que no existe correlación serial hasta el orden de retardo p ,
pags ,
donde es un entero preespecificado. La alternativa local son los errores ARMA( ), donde
términos
el número
de retardo
rq de
=max( ).
Nótese que esta alternativatener
incluye losrfrente
poder ,q
procesos
a una
devariedad
error tanto
deAR(
estructuras
) como pdeMA(
autocorrelación
), por lo que la
alternativas.
prueba puede pags
Véase Godfrey (1988), para una discusión más detallada.

pags
La estadística de prueba se calcula mediante una regresión auxiliar de la siguiente manera. Primero, suponga
que ha estimado la regresión;
ÿ
ÿ (24.20)
yt xtb e t
b los coeficientes estimados y son los errores.y El estadístico de prueba para el orden de retraso p
donde son
se basa en la regresión auxiliar para los residuos ÿ e yX ÿ – bˆ :
pags
ÿ
ÿ
ÿ ÿ vt . (24.21)
y Xtg ÿ
ÿ conjunto s – _
ÿÿ ÿ
s=1
Siguiendo la sugerencia de Davidson y MacKinnon (1993), EViews establece cualquier valor previo a la muestra
de los residuos en 0. Este enfoque no afecta la distribución asintótica de la estadística, y Davidson y MacKinnon
argumentan que hacerlo proporciona una estadística de prueba que tiene mejores resultados finitos. propiedades
de la muestra que un enfoque que descarta las observaciones iniciales.
X
Esta es una regresión de los residuos sobre los regresores originales y los residuos retrasados hasta el orden.
EViews informa dos estadísticas de prueba de esta regresión de prueba. El estadístico F es una prueba de
pags
variable omitida para la significación conjunta de todos los residuos rezagados. Debido a que las variables
omitidas son residuales y no variables independientes, la distribución de muestra finita exacta del estadístico F
bajo H0 aún no se conoce, pero presentamos el estadístico F para comparación
propósitos
El estadístico Obs*R-squared es el estadístico de prueba LM de Breusch-Godfrey. Esta estadística LM es R2

calculado como el número de observaciones, multiplicado por (no centrado) de la regresión de prueba. En
condiciones bastante generales, el estadístico de prueba LM se distribuye asintóticamente como
2
X ÿ ÿ pag .
La prueba LM de correlación en serie está disponible para los residuos de la estimación de mínimos cuadrados o
de mínimos cuadrados en dos etapas. La regresión original puede incluir términos AR y MA, en los que
caso, la regresión de prueba se modificará para tener en cuenta los términos ARMA. Las pruebas en entornos 2SLS
implican complicaciones adicionales; consulte Wooldridge (1990) para obtener más detalles.
Para realizar la prueba, presione View/Residual Diagnostics/Serial Correlation

LM Test… en la barra de herramientas de ecuaciones y especifique el orden más
alto del proceso AR o MA que podría describir la correlación serial. Si la prueba
indica correlación serial en el
residuales, los errores estándar de LS no son válidos y no deben usarse para
inferencias.
Para ilustrar, considere los datos macroeconómicos en nuestro

archivo de trabajo "Basics.WF1". Comenzamos haciendo una regresión de la oferta monetaria M1 en una producción
industrial constante y contemporánea IP y tres rezagos de IP usando la especificación de la ecuación
m1 c ip (0 a -3)
Los resultados de la prueba LM de correlación serial para esta ecuación con 2 rezagos en la ecuación de prueba
rechazan fuertemente el valor nulo de no correlación serial:
Prueba LM de correlación serial de Breusch-Godfrey:
estadística F 25280.60 Prob. F(2,353) 0.0000

Obs*R-cuadrado 357.5040 Prob. Chi-Cuadrado(2) 0.0000
Ecuación de
prueba: Variable dependiente:
RESID Método: Mínimos cuadrados
1960M01 1989M12 Observaciones
incluidas: 360 valores perdidos
anteriores a la muestra residuos retrasados establecidos en cero.
C -0.584837 1.294016 -0.451955 0.6516

IP -11.36147 0,599613 -18,94800 1,110223 0.0000
IP(-1) 17.13281 15,43187 1,241122
0,629348
-4,052107 0.0000
IP(-2) -5.029158 -1,140054 0,051233 22,61410 0.0001
IP(-3) -0.717490 0,051610 -3,032587 0.2550
RESID(-1) 1.158582 0.0000
RESID(-2) -0.156513 0.0026
R-cuadrado 0,993067 Media var dependiente 0,992949 -6.00E-15

de probabilidad Estadístico -1176.798 Criterio de Hannan-Quinn. 6.606700
0.000000
Pruebas de Heterocedasticidad
Este conjunto de pruebas le permite probar un rango de especificaciones de heteroscedasticidad en los residuos
de su ecuación. Las estimaciones de mínimos cuadrados ordinarios son consistentes en presencia de
heteroscedasticidad, pero los errores estándar calculados convencionales ya no son válidos. Si encuentra evidencia
de heterocedasticidad, debe elegir la opción de errores estándar robustos para corregir los errores estándar (consulte
“Covarianzas consistentes de heterocedasticidad” en la página 33) o debe modelar la heterocedasticidad para
obtener estimaciones más eficientes utilizando mínimos cuadrados ponderados.
EViews le permite emplear una serie de diferentes pruebas de heteroscedasticidad, o usar nuestro asistente de
prueba personalizado para probar las desviaciones de la heteroscedasticidad usando una combinación de métodos.
Cada una de estas pruebas implica realizar una regresión auxiliar utilizando los residuos de la ecuación original.
Estas pruebas están disponibles para ecuaciones estimadas por mínimos cuadrados, mínimos cuadrados de dos
etapas y mínimos cuadrados no lineales. Las pruebas individuales se describen a continuación.
Breusch-Pagan-Godfrey (BPG)
La prueba de Breusch-Pagan-Godfrey (ver Breusch-Pagan, 1979, y Godfrey, 1978) es una prueba del multiplicador de Lagrange de
la hipótesis nula de no heteroscedasticidad contra la heteroscedasticidad de 2 la forma ÿ h zt ÿ ÿa jt

2
ÿ
j , donde esztun vector de variables independientes. Por lo general, este vec
tor contiene los regresores de la regresión de mínimos cuadrados original, pero no es necesario.
La prueba se realiza completando una regresión auxiliar de los cuadrados de los residuos de . La suma de
ÿ 1 ,zt ÿ cuadrados explicada de este auxiliar regresa a la ecuación original en 2jˆ
4 2
sión se divide entonces por Xgrados de libertad iguales
para dar un estadístico LM, que sigue una distribución - con
al número de variables bajo la hipótesis nula de no heteroscedasticidad. Koenker (1981) sugirió que una estadística más fácil de
Con
calcular de Obs*R R2
cuadrado (donde es de la regresión auxiliar). La estadística de Koenker también se distribuye como . Junto con
estas dos estadísticas, EViews también cita una estadística F para una prueba de variable redundante
2x _ con grados de libertad iguales al número de variables en
para la
significaciónCon
conjunta de las variables en la regresión auxiliar.

Con
Como ejemplo de una prueba BPG supongamos que tenemos una ecuación original de
log(m1) = c(1) + c(2)*log(ip) + c(3)*tb3
y creímos que había heteroscedasticidad en los residuos que dependían de una función de LOG(IP) y TB3,
entonces se pudo realizar la siguiente regresión auxiliar
residencia^2 = c(1) + c(2)*log(ip) + c(3)*tb3
Tenga en cuenta que tanto las pruebas de ARCH como las de White que se describen a continuación pueden verse como
pruebas de tipo frey de Breusch-Pagan-God, ya que ambas son regresiones auxiliares de los residuos cuadrados en un
conjunto de regresores y una constante.
harvey
La prueba de heteroscedasticidad de Harvey (1976) es similar a la prueba de Breusch-Pagan-Godfrey.

Sin embargo, Harvey contrasta una hipótesis nula de no heteroscedasticidad contra heteroscedasticidad ÿ
2
jt expÿ ÿ 'a de la forma de , donde, de nuevo, es un vector de variables independientes.
zt zt
Para comprobar esta forma de heteroscedasticidad, se realiza una regresión auxiliar del logaritmo de los
regresión auxiliar dividida por la derivada , log
residuos
del LMcuadrados
2es entonces
de la suma
ecuación
explicada
originalde1 los
zt ÿcuadrados
ÿ . El estadístico
de la
w'ÿ ÿ 0.5 ,
función gamma evaluada en 0,5. Este estadístico se distribuye como a con grados de libre x
dom igual al número de variables en . EViews también cita la estadística Obs*R-squared y la variable
Con
redundante F-statistic.
Esmaltes
La prueba de Glejser (1969) también es similar a la prueba de Breusch-Pagan-Godfrey. Esta prueba

contrasta 2 contra una metro
hipótesis alternativa de heteroscedasticidad de la forma con jt ÿ 2 ÿ ÿa ÿ j

ÿ
zt
m ÿ 1 2, . La regresión auxiliar que propone Glejser regresa el valor absoluto de los residuos de la
ecuación original sobre 1 zt ÿ ÿ , . Un estadístico LM puede estar formado por
2ÿ
dividiendo la suma de cuadrados explicada de esta regresión auxiliar por ÿ ÿ 1 2 – ÿ p jˆ ÿ . Como
con las pruebas anteriores, este estadístico se distribuye a partir de una distribución chi-cuadrado con
grados de libertad iguales al número de variables en . EViews también
cuadrado
cita la estadística
y la variable
Con
Obs*R
redundante
al F-
estadística.
Prueba ARCO LM
La prueba ARCH es una prueba del multiplicador de Lagrange (LM) para la heteroske dasticidad condicional
autorregresiva (ARCH) en los residuos (Engle 1982). Esta especificación particular de heteroscedasticidad
fue motivada por la observación de que en muchas series temporales financieras, la magnitud de los residuos
parecía estar relacionada con la magnitud de los residuos recientes. ARCH en sí mismo no invalida la
inferencia LS estándar. Sin embargo, ignorar los efectos ARCH puede resultar en una pérdida de eficiencia;
consulte el Capítulo 25. “Estimación de ARCH y GARCH”, en la página 243 para ver una discusión sobre la
estimación de modelos ARCH en EViews.
La estadística de prueba ARCH LM se calcula a partir de una regresión de prueba auxiliar. Para probar la
q
hipótesis nula de que no hay ARCH correcto en los residuos, ejecutamos la regresión:
q
ÿ
2
ÿ
2y
ÿÿ
b0 ÿ ÿ bset s – ÿ vt
_ , (24.22)
ÿÿ ÿ
s=1
donde y
esta el residuo. Esta es una regresión de los residuos cuadrados en una constante y residuos
cuadrados rezagados hasta el orden. EViewsqinforma dos estadísticas de prueba de esta regresión de
prueba. El estadístico F es una prueba de variable omitida para la significancia conjunta de todos los
residuos cuadrados rezagados. La estadística Obs*R-squared es la estadística de prueba LM de Engle,
calculada como el número de observaciones
R2 multiplicado por la regresión de prueba. La distribución exacta de la muestra finita
ción del estadístico F bajo H0 no se conoce, pero el estadístico de prueba LM es asintóticamente 2

distribuidos como un X
bajo
ÿ ÿcondiciones
q bastante generales.
Prueba de heterocedasticidad de White
La prueba de White (1980) es una prueba de la hipótesis nula de no heteroscedasticidad contra la heteroskedasticidad
de forma general desconocida. La estadística de prueba se calcula mediante una regresión auxiliar, donde hacemos
una regresión de los residuos cuadrados en todos los posibles productos cruzados (no redundantes) de los
regresores. Por ejemplo, supongamos que estimamos la siguiente regresión:
yt
ÿ ÿÿÿb1 b2xt b3zt e t
(24.23)
donde son losbparámetros estimados y el residual. El estadístico

y de prueba se basa entonces en la regresión auxiliar:
2 2 2
ÿ ÿÿÿ
a0ÿa1xt
a4zta2zt a3xt ÿ ÿ a5xtztv . (24.24)
y t
Antes de EViews 6, las pruebas de White siempre incluían los valores de nivel de los regresores (es decir , el
producto cruzado de los regresores y una constante) si la regresión original incluía un término constante. Este ya
no es el caso: los valores de nivel solo se incluyen si la regresión original incluía una constante.
EViews informa tres estadísticas de prueba de la regresión de prueba. La estadística F es una prueba de variable
redundante para la significancia conjunta de todos los productos cruzados, excluyendo la constante. Se presenta
con fines comparativos.
La estadística Obs*R-squared es la estadística de prueba de White, calculada como el número de observaciones

ciones veces el centrado de la prueba
R2 de regresión. La distribución muestral finita exacta de H0
el estadístico F bajo no se conoce, pero el estadístico de prueba de White se distribuye asintóticamente
2
X con grados de libertad iguales al número de coeficientes de pendiente (excluyendo la constante) en la
como a
regresión de prueba.
El tercer estadístico, un estadístico LM, es la suma explicada de los cuadrados de la regresión auxiliar 2jˆ
4
sión dividida por la . Esto también se distribuye como una distribución de chi-cuadrado con grados de
libertad igual al número de coeficientes de pendiente (menos la constante) en la regresión auxiliar.
White también describe este enfoque como una prueba general para la especificación incorrecta del modelo, ya
que la hipótesis nula que subyace en la prueba supone que los errores son homocedásticos e independientes de
los regresores, y que la especificación lineal del modelo es correcta. El fracaso de cualquiera de estas condiciones
podría conducir a una estadística de prueba significativa. Por el contrario, un estadístico de prueba no significativo
implica que no se viola ninguna de las tres condiciones.
Cuando hay productos cruzados redundantes, EViews los elimina automáticamente de la regresión de prueba. Por
ejemplo, el cuadrado de una variable ficticia es la propia variable ficticia, por lo que EViews elimina el término al
cuadrado para evitar la colinealidad perfecta.
Realización de una prueba de heterocedasticidad en EViews
Para realizar cualquiera de las pruebas de heterocedasticidad, seleccione Ver/Diagnósticos residuales/Pruebas

de heterocedasticidad. Esto lo llevará al siguiente cuadro de diálogo:
Puede elegir qué tipo de prueba realizar haciendo clic en el nombre en el cuadro Tipo de prueba .
El resto del cuadro de diálogo cambiará, permitiéndole especificar varias opciones para la prueba seleccionada.
Las pruebas BPG, Harvey y Glejser le permiten especificar qué variables usar en la regresión auxiliar. Tenga en cuenta
que puede optar por agregar todas las variables utilizadas en la ecuación original presionando el botón Agregar
regresores de ecuación . Si la ecuación original no era lineal, este botón agregará los gradientes de coeficiente de esa
ecuación. Se pueden agregar gradientes individuales usando la palabra clave @grad para agregar el i-ésimo gradiente
(p. ej., “@grad(2)”).
La prueba ARCH simplemente le permite especificar el número de retrasos que se incluirán para la especificación ARCH.
La prueba de White le permite elegir si desea incluir términos cruzados o no incluir términos cruzados mediante la
casilla de verificación Incluir términos cruzados . La versión de términos cruzados de la prueba es la versión original
de la prueba de White que incluye todos los términos de productos cruzados. Sin embargo, el número de términos de
productos cruzados aumenta con el cuadrado del número de variables del lado derecho en la regresión; con un gran
número de regresores, puede que no sea práctico incluir todos estos términos.
La especificación sin términos cruzados ejecuta la regresión de prueba utilizando solo los cuadrados de la regresión.
fuente.
El asistente de pruebas personalizadas le permite combinar o especificar con mayor detalle las distintas pruebas. El
siguiente ejemplo, usando EQ1 del archivo de trabajo “Basics.WF1”, muestra cómo usar el asistente personalizado. La
ecuación tiene la siguiente especificación:
log(m1) = c(1) + c(2)*log(ip) + c(3)*tb3

La primera página del asistente le permite elegir qué transformación de los residuos desea utilizar como
variable dependiente en la regresión auxiliar. Tenga en cuenta que esta es realmente una elección entre
hacer una prueba de tipo Breusch-Pagan-Godfrey, Harvey o Glejser. En nuestro ejemplo elegimos usar el
LOG de los residuos al cuadrado:
Una vez que haya elegido una variable dependiente, haga clic en Siguiente. El segundo paso del asistente
le permite decidir si desea incluir una especificación blanca. Si marca la casilla de verificación Incluir
especificación de blanco y hace clic en Siguiente, EViews mostrará la página Especificación de blanco
que le permite especificar opciones para la prueba. Si no elige incluir una especificación de blanco y hace
clic en Siguiente, EViews omitirá la página de especificación de blanco y continuará con la siguiente
sección del asistente.
Hay dos partes en el diálogo. En la sección superior, puede usar el menú desplegable Tipo de prueba blanca
para seleccionar la prueba básica.
Puede optar por incluir términos cruzados o no, ya sea para ejecutar una
prueba compatible con EViews 5 (como se indicó anteriormente, la
regresión auxiliar ejecutada por EViews difiere ligeramente en la versión
6 y posteriores cuando no hay una constante en la ecuación original) o,
por eligiendo Personalizado, si desea incluir un conjunto de variables no idénticas a las utilizadas en la
ecuación original. La prueba personalizada le permite realizar una prueba en la que incluye los cuadrados y
los productos cruzados de un conjunto arbitrario de regresores. Tenga en cuenta que si proporciona un
conjunto de variables que difieren de las de la ecuación original, la prueba ya no es una prueba de White,
pero aún podría ser una prueba válida de heteroscedasticidad. Para nuestro ejemplo, elegimos incluir C y
LOG(IP) como regresores y elegimos usar términos cruzados.
Haga clic en Siguiente para continuar con la siguiente sección del asistente. EViews le pregunta si desea
agregar otras variables como parte de Harvey (Breusch-Pagan-Godfrey/Harvey/
Glejser) especificación. Si elige hacerlo, EViews mostrará un cuadro de diálogo que le pedirá que agregue
regresores adicionales. Tenga en cuenta que si ya ha incluido una especificación de White y su ecuación
original tenía un término constante, su regresión auxiliar ya incluirá los valores de nivel de los regresores de
la ecuación original (dado que el producto cruzado del término constante y esos regresores son sus valores
de nivel) . En nuestro ejemplo elegimos agregar la variable Y a la regresión auxiliar:
A continuación, podemos agregar términos ARCH a la regresión auxiliar. La especificación ARCH le permite
especificar una estructura de retraso. Puede especificar una cantidad de rezagos, de modo que la regresión
auxiliar incluya valores rezagados de los residuos cuadrados hasta el número que elija, o puede proporcionar
una estructura de rezagos personalizada. Las estructuras personalizadas se ingresan en pares de retrasos.
En nuestro ejemplo, elegimos incluir retrasos de 1, 2, 3 y 6:
El paso final del asistente es ver la especificación final de la regresión auxiliar, con todas las opciones que
haya elegido previamente, y realizar las modificaciones. Para nuestras elecciones, la especificación final se
ve así:
Nuestra especificación ARCH con retrasos de 1, 2, 3, 6 se muestra primero, seguida de la especificación White y luego el
término adicional, Y. Al hacer clic en Finalizar , el cuadro de diálogo principal Pruebas de heterocedasticidad se completa
con nuestra especificación:
Tenga en cuenta que, en lugar de pasar por el asistente, podríamos haber escrito esta especificación directamente en el
cuadro de diálogo.
Esta prueba da como resultado el siguiente resultado:

Diagnóstico de estabilidad—205
Prueba de Heterocedasticidad: Harvey
estadística F 203.6910 Prob. F(10,324) 0.0000
Obs*R-cuadrado 289.0262 Prob. Chi-Cuadrado(10) 0.0000
Escalado explicado SS 160.8560 Prob. Chi-Cuadrado(10) 0.0000
Ecuación de prueba:
Variable dependiente: LRESID2
Fecha: 10/08/09 Hora: 15:06

C 2,320248 10.82443 0.214353 0.055882 0.8304
LRESID2(-1) 0,875599 15.66873 0.0746100.061022

0.817805 0.0000
LRESID2(-2) 0,061016 -0.573768 0.036220 0.679761 0.4141

LRESID2(-3) -0,035013 0.5665
LRESID2(-6) 0,024621 0.4971
REGISTRO (IP) -1,622303 5,792786 -0,280056 0,764826 0.7796
(REGISTRO (IP)) ^ 2 0,255666 0,334280 0,1544750,631189

-0,262566 0.7384
(REGISTRO (IP))*TB3 -0,040560 0,155252 0,005380 0,528851 0.7931
TB3 0,097993 0,039166 -0,603101 0.8767
TB3^2 0,002845 0.5973
Y -0.023621 0.5469
R-cuadrado 0,862765 Media var dependiente 0,858529 -4.046849
R-cuadrado ajustado SE SD var dependiente 0,624263 Criterio Akaike 1.659717

de regresión Suma info 126,2642 Criterio Schwarz 1.927794
de probabilidad Estadístico -311.9056 Criterio de Hannan-Quinn. 1.977724

F Prob(estadístico F) 203.6910 Estadística de Durbin-Watson 2.130511
0.000000
Esta salida contiene tanto el conjunto de estadísticas de prueba como los resultados de la regresión auxiliar en la que
se basan. Los tres estadísticos rechazan la hipótesis nula de homocedasticidad.
Diagnóstico de estabilidad
EViews proporciona varias vistas de estadísticas de prueba que examinan si los parámetros de su modelo son
estables en varias submuestras de sus datos.
Un enfoque común es dividir las observaciones en su conjunto de datos de observaciones en observaciones T1 que
se utilizarán
tomará lapara
primera
la estimación,
para la estimación
y T2 T1 prueba
y la última observaciones
y evaluación. En el trabajo de series de tiempo, que segeneral
por lo utilizarán para
T1 observaciones
T2 para las pruebas. Con los datos de corte transversal, es posible que desee
ordenar los datos por alguna variable, como el ingreso del hogar, las ventas de una empresa u otras variables
indicadoras y usar un subconjunto para la prueba.
Tenga en cuenta que la alternativa de utilizar todas las observaciones de muestra disponibles para la
estimación promueve la búsqueda de una especificación que se ajuste mejor a ese conjunto de datos
específico, pero no permite probar las predicciones del modelo con datos que no se han utilizado para estimar
el modelo. Tampoco permite probar la constancia, estabilidad y robustez de los parámetros de la relación
estimada.
No existen reglas estrictas y rápidas para determinar los tamaños relativos de y . T1 T2 En

algunos casos, puede haber puntos obvios en los que podría haber tenido lugar una ruptura en la estructura:
una guerra, una ley, un cambio de tipos de cambio fijos a flotantes o un shock petrolero.
Cuando no hay razón a priori para esperar un quiebre estructural, una regla práctica comúnmente
utilizada es usar del 85 al 90 por ciento de las observaciones para la estimación y el resto para la prueba.
EViews proporciona procedimientos integrados que facilitan las

variaciones en este tipo de análisis.
Prueba del punto de ruptura de Chow
La idea de la prueba de Chow del punto de quiebre es ajustar la

ecuación por separado para cada submuestra y ver si hay diferencias
significativas en las ecuaciones estimadas. Una diferencia significativa
indica un cambio estructural en la relación. Por ejemplo, puede
utilizar esta prueba para examinar si la función de demanda de energía era la misma antes y después de la
crisis del petróleo. La prueba puede utilizarse con regresiones de mínimos cuadrados y de mínimos cuadrados
en dos etapas; Las ecuaciones estimadas utilizando GMM ofrecen una prueba relacionada (consulte “Prueba
de punto de ruptura GMM” en la página 96).
De forma predeterminada, la prueba de punto de ruptura de Chow comprueba si hay un cambio estructural
en todos los parámetros de la ecuación. Sin embargo, si la ecuación es lineal, EViews le permite probar si
ha habido un cambio estructural en un subconjunto de los parámetros.
Para llevar a cabo la prueba, partimos los datos en dos o más submuestras. Cada submuestra debe
contener más observaciones que el número de coeficientes en la ecuación para que se pueda estimar la
ecuación. La prueba del punto de quiebre de Chow compara la suma de los residuos al cuadrado obtenidos
ajustando una sola ecuación a toda la muestra con la suma de los residuos al cuadrado obtenidos cuando se
ajustan ecuaciones separadas a cada submuestra de los datos.
EViews informa tres estadísticas de prueba para la prueba de punto de interrupción de Chow. El estadístico
F se basa en la comparación de la suma restringida y no restringida de los residuos cuadrados y, en el caso
más simple que implica un solo punto de corte, se calcula como:
ÿ ÿu˜
– ÿ u1ÿu1
u˜ u2 ÿ ÿu2 ÿ ÿ ÿ k
F ÿ ------------------------------------------------- -----------------
, (24.25)
ÿ u1ÿu1 u2 ÿ ÿu2 ÿ . ÿ T – 2k
dónde u˜ ÿu˜ es la suma restringida de los residuos al cuadrado, es la suma de los residuos al cuadrado de
uiÿui
k
la submuestra, i T es el número total de observaciones y es el número de parámetros
Diagnósticos de estabilidad—207
ters en la ecuación. Esta fórmula se puede generalizar naturalmente a más de un punto de corte.
El estadístico F tiene una distribución F de muestra finita exacta si los errores son variables aleatorias normales
independientes e idénticamente distribuidas.
La estadística de razón de verosimilitud logarítmica se basa en la comparación del máximo restringido y no restringido de la función de verosimilitud logarítmica (gaussiana). El estadístico de prueba
LR tiene una distribución asintótica con grados de libertad iguales a ÿ ÿ m – 1 k
2x _ bajo la hipótesis nula de no cambio

estructural, donde es el número demetro
submuestras.
La estadística de Wald se calcula a partir de una prueba de Wald estándar de la restricción de que los coeficientes de los parámetros de la ecuación son los mismos en todas las submuestras.
Al igual que con el estadístico de razón de verosimilitud logarítmica, el estadístico de Wald tiene una distribución asintótica con ÿ ÿ m – 1 k
2x _ grados de
libertad, donde es el número
metro
de submuestras.
Una desventaja importante de la prueba del punto de quiebre es que cada submuestra requiere al menos tantas
observaciones como el número de parámetros estimados. Esto puede ser un problema si, por ejemplo, desea probar el
cambio estructural entre tiempos de guerra y tiempos de paz donde solo hay unas pocas observaciones en la muestra de
tiempos de guerra. La prueba de pronóstico de Chow, discutida a continuación, debe usarse en tales casos.
Para aplicar la prueba del punto de interrupción de Chow, presione Ver/
Stability Diagnostics/Chow Breakpoint Test… en la barra

de herramientas de ecuaciones. En el cuadro de diálogo que
aparece, enumere las fechas o los números de observación para
los puntos de ruptura en el campo de edición superior y los
regresores que pueden variar entre los puntos de ruptura en el
campo de edición inferior.
Por ejemplo, si su ecuación original se estimó entre 1950 y

1994, ingrese:
1960
en el cuadro de diálogo especifica dos submuestras, una de

1950 a 1959 y otra de 1960 a 1994. Escribiendo:
1960 1970
especifica tres submuestras, 1950 a 1959, 1960 a 1969 y 1970 a 1994.
Los resultados de una prueba aplicada a EQ1 en el archivo de trabajo "Coef_test.WF1", usando la configuración
anterior son:
Prueba de punto de ruptura de comida: 1960M01 1970M01

Ejemplo de ecuación: 1959M01 1989M12
estadística F 186.8638 problema F(6,363) 0.0000

Indicando que los coeficientes no son estables entre regímenes.
Prueba de punto de ruptura de Quandt-Andrews
La prueba de punto de ruptura de Quandt-Andrews prueba uno o más puntos de ruptura estructurales
desconocidos en la muestra para una ecuación específica. La idea detrás de la prueba de Quandt-Andrews es
que se realiza una sola prueba de punto de ruptura de Chow en cada observación entre dos fechas, u
t1 y . Las
observaciones, k de prueba de esas pruebas de Chow se resumen luego en una estadística
t2estadísticas
de prueba para una prueba contra la hipótesis nula de que no hay puntos de corte entre y . t1 t2
De forma predeterminada, la prueba prueba si hay un cambio estructural en todos los parámetros de la
ecuación original. Para especificaciones lineales, EViews también le permite probar si ha habido un cambio
estructural en un subconjunto de los parámetros.
De cada Chow Breakpoint Test individual se conservan dos estadísticas, la estadística F de razón de probabilidad
y la estadística F de Wald . El estadístico F de razón de verosimilitud se basa en la comparación de sumas
restringidas y no restringidas de residuos cuadrados. La estadística F de Wald se calcula a partir de una prueba
de Wald estándar de la restricción de que los coeficientes de los parámetros de la ecuación son los mismos en
todas las submuestras. Tenga en cuenta que en ecuaciones lineales estas dos estadísticas serán idénticas.
Para obtener más detalles sobre estas estadísticas, consulte “Prueba de punto de ruptura de Chow” en la página
206.
Las estadísticas de prueba individuales se pueden resumir en tres estadísticas diferentes; el estadístico Sup
o Máximo, el estadístico Exp y el estadístico Ave (ver Andrews, 1993 y Andrews y Ploberger, 1994). La
estadística Máxima es simplemente el máximo de las estadísticas F individuales de Chow:
MáxF ÿ máx. ÿ ÿ Fÿ ÿ t (24.26)

t1 tt ÿ ÿ 2
La estadística Exp toma la forma:

ÿ t2 ÿ
1 ÿ1 ÿ
ÿ en --
ExpF
ÿk _
ÿ Exp --Fÿ ÿ t ÿ
ÿ ÿ2
(24.27)
ÿ t t1 ÿ ÿ
La estadística Ave es el promedio simple de las estadísticas F individuales:

t2
1 --
AveF Fÿ ÿ t (24.28)
ÿ ÿk
t t1 ÿ
La distribución de estas estadísticas de prueba no es estándar. Andrews (1993) desarrolló su verdadera distribución y
Hansen (1997) proporcionó valores de p asintóticos aproximados. EViews informa los valores p de Hansen. La distribución
de estas estadísticas se vuelve degenerada cuando t1
se acerca al comienzo de la muestra de ecuación o se acerca al final de
t2la muestra de ecuación. Para compensar este
comportamiento, generalmente se sugiere que los extremos de la muestra de la ecuación no se incluyan en el
procedimiento de prueba. Un nivel estándar para este “recorte” es 15%, donde excluimos el primer y último 15% de las
observaciones. EViews establece el recorte al 15 % de forma predeterminada, pero también permite al usuario elegir
otros niveles. Nota EViews solo permite el recorte simétrico, es decir , se elimina el mismo número de observaciones
desde el principio de la muestra de estimación que desde el final.
La prueba de punto de ruptura de

Quandt-Andrews se puede evaluar
para una ecuación seleccionando
View/Stability Diagnostics/
Prueba de punto de ruptura
de Quandt-Andrews… desde la
barra de herramientas de ecuaciones.
El cuadro de diálogo resultante le
permite elegir el nivel de recorte de
observación simétrica para la prueba
y, si su ecuación original era lineal,
qué variables desea probar para el
punto de ruptura desconocido. También puede optar por guardar las estadísticas individuales de la prueba Chow
Breakpoint en una nueva serie dentro de su archivo de trabajo ingresando un nombre para la nueva serie.
Como ejemplo, estimamos una función de consumo, EQ02 en el archivo de trabajo "DEMO.WF1", utilizando datos
trimestrales desde 1952Q1 hasta 1992Q4. Para probar un punto de quiebre estructural desconocido entre todos los
regresores originales, ejecutamos la prueba de Quandt-Andrews con un recorte del 15 %.
Esta prueba da los siguientes resultados:
Nótese que las tres medidas estadísticas resumidas no rechazan la hipótesis nula de ausencia de rupturas estructurales
al nivel del 1% dentro de las 113 fechas posibles probadas. La estadística máxima fue en 1982T2, y esa es la ubicación
más probable del punto de ruptura. Además, dado que la ecuación original era lineal, tenga en cuenta que el valor p para
el estadístico F de LR es idéntico al estadístico F de Wald.
Pruebas de puntos de ruptura múltiples
Las pruebas de inestabilidad de parámetros y cambio estructural en los modelos de regresión han sido
una parte importante del trabajo econométrico aplicado que se remonta a Chow (1960), quien probó el
cambio de régimen en fechas conocidas a priori utilizando una estadística F. Para relajar el requisito de que
se conozca la fecha límite candidata, Quandt (1960) modificó el marco de trabajo de Chow para considerar
el estadístico F con el mayor valor entre todas las fechas límite posibles. Andrews (1993) y Andrews y
Ploberger (1994) derivaron la distribución límite del Quandt y los estadísticos de prueba relacionados. Las
herramientas de EViews para realizar estas pruebas se describen en “Prueba de punto de ruptura de Chow”
en la página 206 y “Prueba de punto de ruptura de Quandt-Andrews” en la página 208.
Más recientemente, Bai (1997) y Bai y Perron (1998, 2003a) proporcionan resultados teóricos y
computacionales que amplían aún más el marco de Quandt-Andrews al permitir múltiples
puntos de ruptura desconocidos. El resto de esta sección ofrece un breve resumen del enfoque de Bai
y Bai Perron para las pruebas de ruptura estructural tal como se implementa en EViews. Perron (2006)
ofrece una revisión útil de la literatura y brinda referencias para aquellos que requieren una discusión
adicional.
Fondo
T y rupturas potenciales
Consideramos un modelo estándar de regresión lineal múltiple con períodos metro
(que
produce m ÿ 1 regímenes). Para las observaciones Tj Tj , 1jÿ , ÿ Tj, ÿ 1 – 1 en
régimen tenemos el modelo de regresión
ÿ
ÿ ÿ (24.29)
yt Xtÿb Ztÿdj e t
para los regímenes j ÿ 0, , ÿ metro

. Tenga en cuenta que los regresores se dividen en dos grupos. la x
Las variables son aquellas cuyos parámetros no varían entre regímenes, mientras que las DE
variables
tienen coeficientes que son específicos del régimen.
Si bien es un poco más conveniente definir las fechas límite como la última fecha de un régimen, seguimos
la convención de EViews al definir la fecha límite como la primera fecha del régimen posterior. Amarramos
los puntos finales estableciendo T0 ÿ 1 ÿ T ÿ 1 y Tm ÿ 1 .
Las pruebas de puntos de ruptura múltiples que consideramos pueden dividirse en términos generales en tres
categorías: pruebas que emplean maximizadores globales para los puntos de ruptura, pruebas que emplean
puntos de ruptura determinados secuencialmente y pruebas híbridas, que combinan los dos enfoques.
Pruebas del maximizador global
Bai y Perron (1998) describen procedimientos de optimización global para identificar los metro multi
quiebres que minimizan los residuos de sumas de cuadrados de la ecuación del modelo de
regresión (24.29).
Brevemente, para un conjunto específico

metro
de puntos de corte, ÿÿT metro
ÿ ÿ ÿ T1, , ÿ Tm , podemos minimizar
diga los residuos de suma de cuadrados:
metro ÿ Tj ÿ 1 –1 ÿ
ÿ
– –
, T ÿÿ jÿÿÿ0
Sÿ ÿÿ ÿbd ÿ ÿ ÿ yt Xtÿb Ztÿdj ÿ ÿ ÿ bˆ, (24.30)
ÿ t Tj ÿ
utilizando regresión de mínimos cuadrados estándar para obtener estimaciones ÿ . Los
optimizadores
dˆ de ruptura globales
metro
son
el conjunto de puntos de ruptura y las estimaciones de coeficientes correspondientes que minimizan la suma de cuadrados en
todos los conjuntos posibles de particiones de ruptura. metro
m T en ambos, por lo
Tenga en cuenta que el número de modelos de comparación aumenta rápidamente
que se requieren algoritmos eficientes para calcular los optimizadores. En Bai y Perron (2003a) se
describen algoritmos prácticos para calcular los optimizadores globales para modelos de múltiples
puntos de ruptura.
Estas estimaciones de puntos de corte globales se utilizan luego como base para varias pruebas de puntos de corte.
EViews es compatible con las pruebas de Bai y Perron (1998) de la prueba -roturas versus ninguna yo
prueba (junto con las variantes de doble máximo de esta prueba en la que se determina como parte del yo
procedimiento de prueba) y los métodos de criterios de información (Yao, 1988 y Liu , Wi y Zidek, 1997)
para determinar el número de pausas.
Rupturas L globales frente a ninguna
Bai y Perron (1998) describen una generalización de la prueba de Quandt-Andrews (Andrews, dj

1993) en el que probamos la igualdad entre múltiples regímenes. Para una prueba de la nula de l
sin roturas frente a una alternativa de roturas, empleamos un estadístico F para evaluar la hipótesis
ÿ ÿÿ
nula d0 d1 ÿ d que es: l ÿ 1 . La forma general de la estadística (Bai-Perron 2003a)
1 –1
--- ÿ T l – ÿ ÿ ÿ 1 q – p Rdˆ
Fÿ ÿ dˆ
ÿ
ÿÿ ÿÿ Rdˆ ÿ VDˆ ÿ ÿ dˆ Rÿ ÿ (24.31)
T -------------------------------------------
kg --------- ÿ ÿ
ÿ
– ÿ
dˆ donde es la estimación óptima de ruptura de d ÿ ÿÿ Rd ÿ dl ÿ dl, ÿ 1 Vˆ ÿ ÿ dˆÿ es

yo
ÿ d0ÿ
unad1 – dˆ , de ,la matriz de
estimación ÿ ,y
covarianza
depende
de la varianza
de los supuestos
de la cualsobre
puedelaser
distribución
robusta ade
la los
correlación
datos y los
serial
errores
y la heteroscedasticidad,
entre segmentos. (Nocuya
reproducimos
forma aquí
las fórmulas para los estimadores de las matrices de varianza ya que hay una gran cantidad de casos a considerar; Bai-Perron
(2003a) ofrece descripciones detalladas de los diversos casos).
Una sola prueba de ausencia de rupturas frente a una alternativa de rupturas supone que el número yo
alternativo de puntos de ruptura está preespecificado. En los casos en que no se conoce, podemos probar
yo yo
el valor nulo de ningún cambio estructural frente a un número desconocido de rupturas hasta algún límite
superior, mÿ . Este tipo de prueba se denomina doble máximo ya que implica la maximización ll
tanto para un valor dado como para varios valores del estadístico de prueba para .
La versión de igual ponderación de la prueba, UDmáx elige la alternativa que maxi

denominada mizes, mide la estadística a través del número de puntos de corte. Un enfoque alternativo, denotado
WDmax aplica pesos a las estadísticas individuales para que los valores marginales implícitos sean iguales antes de
pags
tomar el máximo.
Las distribuciones de estas estadísticas de prueba no son estándar, pero Bai y Perron (2003b) proporcionan cálculos
de superficie de respuesta y valor crítico para varios parámetros de recorte (tamaños de muestra mínimos para
estimar una ruptura), números de regresores y números de rupturas.
Criterios de información
ˆ
Yao (1988) muestra que bajo condiciones relativamente fuertes, el número de rupturas que minimiza el criterio de
yo
Schwarz es un estimador consistente del verdadero número de rupturas en un
rompiendo el modelo medio.
De manera más general, Liu, Wu y Zidek (1997) proponen el uso del criterio de Schwarz modificado para determinar
el número de rupturas en un marco de regresión. LWZ ofrece resultados teóricos que muestran la consistencia del
número estimado de puntos de corte y proporciona resultados de simulación para guiar la elección del criterio de
penalización modificado.
Procedimientos de prueba secuencial
Bai (1997) describe un enfoque intuitivo para detectar más de una ruptura. El procedimiento implica la aplicación
secuencial de pruebas de punto de quiebre.
• Comience con la muestra completa y realice una prueba de constancia de parámetros con valores desconocidos.
descanso.
• Si la prueba rechaza la hipótesis nula de constancia, determine la fecha de ruptura, divida la

muestra en dos muestras y realice pruebas de punto de ruptura único desconocido en cada
submuestra. Cada una de estas pruebas puede verse como una prueba de la alternativa
ÿ2 de l para
ÿ1 ver
sus la hipótesis nula de l ÿ 1 se rompe Agregue un punto de interrupción cada vez que se
rechace un nulo de submuestra. (Alternativamente, uno podría probar solo la única submuestra que muestra
la mayor mejora en los residuos de la suma de cuadrados).
• Repita el procedimiento hasta que todas las submuestras no rechacen la hipótesis nula, o hasta que se alcance
el número máximo de puntos de corte permitidos o los intervalos máximos de submuestras para probar.
Si el número de puntos de interrupción está preespecificado, simplemente estimamos el número especificado de

puntos de interrupción utilizando el método de uno a la vez.
Una vez que se han determinado los puntos de corte secuenciales, Bai recomienda un procedimiento de refinamiento
mediante el cual se vuelven a estimar los puntos de corte si se obtienen de una submuestra que contiene más de un
corte. Este procedimiento es necesario para que las estimaciones del punto de quiebre tengan la misma distribución
límite que las obtenidas con el procedimiento de optimización global.
Tenga en cuenta que EViews utiliza el estadístico F (potencialmente robusto) en la Ecuación (24.31) para la prueba en
lugar de la diferencia en los residuos de sumas de cuadrados descrita en Bai (1997) y Bai y Per
Ron (1998). Bai y Perron (2003b) nuevamente brindan cálculos de valor crítico y superficie de respuesta.
Pruebas secuenciales Global Plus
Bai y Perron (1998) describen un enfoque modificado de Bai (1997) en el que, en cada paso de la prueba,
los puntos de corte bajo el valor nulo se obtienen mediante la minimización global de los residuos de la suma
yo
de cuadrados. Por lo tanto, podemos ver este enfoque como un l ÿ 1 l versus procedimiento de prueba que
combina los enfoques de prueba global y secuencial.
Cada prueba comienza con el conjunto de puntos de corte de optimización globales y realiza una sola prueba de
yo
constancia de parámetros usando el corte de submuestra que más reduce los residuales de la suma de cuadrados. Tenga
en cuenta que en este caso, solo probamos la constancia en una sola submuestra.
Cálculo de pruebas de puntos de ruptura múltiples en EViews
Para usar las herramientas de EViews para probar rupturas múltiples, debe usar una ecuación que se especifica por
lista y se estima por mínimos cuadrados. Tenga en cuenta en particular que esta última restricción significa que los
modelos con términos AR y MA no son elegibles para pruebas de ruptura múltiple.
A partir de una ecuación estimada, abra el cuadro de diálogo de prueba de rotura múltiple haciendo clic en Ver/
Diagnóstico de estabilidad/Prueba de punto de rotura múltiple...
El cuadro de diálogo se divide en las secciones Especificación de prueba, Variables de punto de interrupción y
Opciones .
Especificación de prueba
La sección Especificación de la prueba contiene un menú desplegable

Método donde puede especificar el tipo de prueba que desea realizar.
Puedes elegir entre:
• Rupturas secuenciales L+1 frente a L
• Pruebas secuenciales de todos los subconjuntos

• Rupturas L globales frente a ninguna
• Rupturas L+1 frente a L global
• Criterios de información global
Las dos pruebas secuenciales se basan en la metodología secuencial de Bai, como se describe en “Procedimientos de prueba
secuencial” en la página 212 anterior. Los métodos difieren en si, para puntos de corte dados, probamos un punto de corte adicional
en cada uno de los l ÿ 1

yo
segmentos
(Sequential prueba todos los subconjuntos), o si probamos el único punto de corte agregado que más reduce la suma de cuadrados
(Sequential L+1 breaks vs. L).
La opción Global L breaks vs. none implementa las pruebas de Bai-Perron de roturas globalmente optimizadas contra el nulo de
yo
ausencia de roturas estructurales, junto con la correspondiente y UDmax WDmax
pruebas (“Global L Breaks vs. None” en la página 211).
La opción L+1 rompe frente a L global implementa el Bai-Perron frente a l ÿ 1 yo

proceso de prueba
duración descrita en “Pruebas secuenciales Global Plus” en la página 213.
Los criterios de información global utilizan los criterios de información calculados a partir de los optimizadores globales para
determinar el número de pausas (“Criterios de información” en la página 212).
Variables de punto de ruptura
EViews admite la prueba de modelos de cambio estructural parcial en los que solo un subconjunto de las variables de la regresión está
sujeto a cambios entre regímenes. Las variables que tienen coeficientes específicos del régimen deben enumerarse en los regresores
para variar entre los puntos de corte

editar campo.
De forma predeterminada, todas las variables de su especificación se incluirán en esta lista. Para tratar algunas de estas variables
como no variables, simplemente puede eliminarlasXde la lista. Tenga en cuenta que debe haber al menos una variable en la lista.
Opciones
La sección Opciones del cuadro de diálogo le permite especificar el número máximo de
rupturas o niveles de ruptura a considerar, el porcentaje de recorte de la muestra, el nivel de
significación para cualquier cálculo de prueba (si corresponde) y suposiciones con respecto al
cálculo de la matrices de varianza utilizadas en las pruebas (si corresponde):
• Las rupturas máximas limitan el número de puntos de interrupción
permitido a través de pruebas globales y en secuenciales o mixtas yo
vs. l ÿ 1pruebas. Si ha seleccionado el método Pruebas secuenciales de todos los

subconjuntos , el campo de edición se etiquetará como Niveles máximos para indicar que la restricción está en el
número máximo de niveles de interrupción permitidos. Este cambio en el etiquetado refleja el hecho de que el enfoque de
todos los subconjuntos de Bai agrega potencialmente l ÿ 1 descansos
para un conjunto dado de descansos.

yo
• El porcentaje de Trimming, determina

e ÿ 100ÿimplícitamente
ÿ h Tÿ h , el mínimo
longitud de segmento permitida al construir una prueba. Los valores pequeños del porcentaje de recorte
pueden conducir a estimaciones de coeficientes y varianzas que se basan en muy pocas observaciones.
En la configuración de la prueba, se le pedirá que especifique un tamaño de prueba y que haga suposiciones
sobre la distribución de los errores en los segmentos que determinan la forma de la esti Vˆ ÿ ÿ dˆ
motor en la Ecuación (24.31) en la página 211.
• El menú desplegable Nivel de significación debe utilizarse para elegir entre valores de tamaño de prueba
de (0,01, 0,025, 0,05 y 0,10). Este menú no es relevante para las pruebas que seleccionan entre modelos
utilizando criterios de información.
• Permitir que las distribuciones de error difieran entre cortes le permite especificar diferentes
distribuciones de error para diferentes regímenes (lo que a su vez implica el uso de diferentes estimadores
para Vˆ; ver Bai y Perron, 2003b para más detalles). La selección de esta opción proporcionará
ÿ ÿ dˆ
robustez de la prueba a la variación de la distribución de errores al costo de la energía si las distribuciones
de errores son las mismas en todos los regímenes.
Le recordamos que EViews empleará la configuración de covarianza del coeficiente en la ecuación original al
determinar si se debe permitir solo la heteroscedasticidad o la heteroscedasticidad y la correlación serial. Por lo
tanto, si estimó su ecuación original usando errores estándar de White, EViews calculará las pruebas de punto de
ruptura usando una estadística que es robusta a la heteroscedasticidad. De manera similar, si estimó su ecuación
original con los errores estándar de Newey-West, EViews calculará las pruebas de punto de ruptura utilizando una
estadística de prueba robusta de HAC.
Una nota final. EViews, por defecto, estimará la especificación robusta asumiendo distribuciones heterogéneas
Zt con una excepción, no imponen la restricción de que la distribución del Zt
para el . Bai y Perron (2003a) quienes,
es la misma en todos los regímenes. En los
casos en los que esté probando con varianzas robustas, EViews le ofrecerá la opción de asumir una distribución
común para los datos entre regímenes.
Bai y Perron imponen la restricción de datos de homogeneidad al calcular la

heteroscedasticidad y los estimadores de varianzas robustas HAC asumiendo
errores homogéneos. Para hacer coincidir las suposiciones de error común de
Bai-Perron, deberá seleccionar la casilla de verificación Asumir distribución
de datos común.
(Tenga en cuenta que EViews no le permite especificar distribuciones de error

heterogéneas y covarianzas robustas en modelos de conmutación parcial).
Ejemplos
Para ilustrar el uso de estas herramientas en la práctica, consideramos un modelo simple de los EE.UU. ex-post
tasa de interés real de García y Perron (1996) que Bai y Perron utilizan como ejemplo
(2003a). Los datos, que consisten en observaciones de la tasa de tesorería a tres meses deflactada
por el IPC para el período 1961q1–1983q3, se proporcionan en la serie RATES en el archivo de
trabajo “realrate.WF1”. El modelo de regresión consta de un regresor constante y permite una
correlación serial que difiere entre regímenes mediante el uso de la estimación de covarianza HAC.
e ÿ 15 ÿ. ÿ
permitimos hasta 5 rupturas en el modelo, y empleamos un porcentaje de recorte de 15%Nosotros
Dado que hay 103 observaciones en la muestra, el valor de recorte implica que los regímenes están restringidos a tener al
menos 15 observaciones.
Siguiendo a Bai y Perron (2003a),

comenzamos estimando la especificación
de la ecuación utilizando mínimos
cuadrados. Nuestra especificación de la
ecuación consiste en la variable
dependiente y un único regresor
(constante), por lo que
entramos
tarifa c
en el diálogo de especificación
Dado que deseamos permitir
correlación serial en los errores,
especificamos una estimación de

covarianza HAC basada en kernel
espectral cuadrático utilizando residuos

preblanqueados. El ancho de banda del núcleo se determina automáticamente mediante el método Andrews AR(1).
Las opciones de covarianza se pueden especificar en el cuadro de diálogo Estimación de ecuación seleccionando el
pestaña Opciones , haciendo clic en el botón de opciones HAC y completando el cuadro de diálogo como se muestra:
Haga clic en Aceptar para aceptar la configuración de HAC y luego en Aceptar para estimar la ecuación. Los resultados
de la estimación deben ser como se muestra a continuación:
Variable dependiente: RATES

Método: Mínimos cuadrados Fecha:
03/12/12 Hora: 14:09 Muestra:
1961Q1 1986Q3 Observaciones
incluidas: 103 Errores estándar y
covarianza HAC (preblanqueamiento con retrasos = 1,
Núcleo cuadrático-espectral, ancho de banda de Andrews = 1.9610)
C 1.375142 0.599818 2.292600 0.0239

R-cuadrado ajustado SE SD var dependiente 3,451231 Criterio de 3.451231
de regresión Suma información de Akaike 5.325001
cuadrada resid Logaritmo 1214.922 Criterio de Schwarz 5.350580
Watson stat 0.745429
Para construir múltiples pruebas de puntos de ruptura para esta ecuación, seleccione Ver/Diagnóstico de estabilidad/
Prueba de punto de ruptura múltiple... desde el cuadro de diálogo de la ecuación. Consideramos ejemplos de tres
enfoques diferentes para pruebas de puntos de ruptura múltiples con esta ecuación.
Bai-Perron Secuencial
La configuración predeterminada del Método (Sequential L+1 breaks vs. L) indica a EViews que realice una prueba
secuencial de l ÿ 1 versus breaks utilizando los métodos descritos por Bai (1997) y Bai y Perron (1998).
yo
Hay un solo regresor "C" que requerimos que esté en la lista de variables de ruptura.
De forma predeterminada, las pruebas permiten un número máximo de 5 interrupciones, emplean un porcentaje de recorte
del 15 % y usan el nivel de significancia de 0,05 para la prueba secuencial. Dejaremos estas opciones en su configuración
predeterminada. Sin embargo, seleccionamos la casilla de verificación Permitir que las distribuciones de errores difieran
entre las rupturas para permitir la heterogeneidad de errores.
Haga clic en Aceptar para aceptar la especificación de la prueba y mostrar los resultados de la prueba. La parte superior
del cuadro de diálogo muestra la configuración de la prueba, incluido el método de prueba, las variables de punto de corte,
las opciones de prueba y el método para calcular las covarianzas de la prueba. Tenga en cuenta que la prueba emplea la
misma configuración de covarianza HAC utilizada en la ecuación original, pero asume distribuciones de error específicas
del régimen:
Pruebas de puntos de ruptura

múltiples Pruebas de Bai-Perron de L+1 frente a L determinadas secuencialmente
descansos
1961Q1 1986Q3 Observaciones incluidas:

103 Variables de punto de ruptura: C
Opciones de prueba de ruptura: Recorte

0.15, Máx. rompe 5, Sig. nivel
0.05
Las estadísticas de prueba emplean covarianzas HAC (preblanqueamiento con

retrasos = 1, kernel cuadrático-espectral, ancho de banda de Andrews)
Permitir distribuciones de error heterogéneas en los descansos
La sección central de la tabla presenta los resultados reales de las pruebas secuenciales:
Roturas secuenciales determinadas por la estadística F: 3
Escamoso Crítico
Prueba de ruptura estadística F estadística F Valor**
*
0 contra 1 57,90582 57,90582 8,58
*
1 contra 2 33,92749 33,92749 10,13
*
2 contra 3 14,72464 14,72464 11,14
3 contra 4 0,033044 0,033044 11,83
* Significativo al nivel 0.05.

**
Bai-Perron (Econometric Journal, 2003) valores críticos.
EViews muestra el estadístico F, junto con el estadístico F escalado por el número de regresores variables (que es lo
mismo en este caso, ya que solo tenemos el regresor variable único) y el valor crítico de Bai-Perron para el regresor
escalado. estadística. Los resultados de la prueba secuencial indican que hay tres puntos de ruptura: rechazamos los
nulos de 0, 1 y 2 puntos de ruptura a favor de las alternativas de 1, 2 y 3 puntos de ruptura, pero la prueba de 4 frente a 3
puntos de ruptura no rechaza la nula .
La parte inferior de la salida muestra las fechas de corte estimadas:
Fechas de descanso:
Secuencial División
1980Q4 1967Q1
1 1972T4 1972T4
23 1967Q1 1980Q4
EViews muestra tanto las fechas de corte obtenidas del procedimiento secuencial original como las obtenidas después
del procedimiento de partición. En este caso, las fechas no cambian.
De nuevo, tenga en cuenta que los resultados siguen la convención de EViews al definir las fechas límite como la primera
fecha del régimen subsiguiente.
Global Bai-Perron L Breaks vs. Ninguno
Para realizar las pruebas de Bai-Perron de roturas optimizadas globalmente contra el nulo de
yo
roturas no estructurales, junto con la correspondiente y UDmax WDmaxpruebas, simplemente abra el

cuadro de diálogo y cambie el menú desplegable Método a Global L breaks vs. none:
Nuevamente dejamos las configuraciones restantes en sus valores predeterminados con la excepción de la casilla de
verificación Permitir que las distribuciones de error difieran en las rupturas que está seleccionada. Haga clic en
Aceptar para realizar la prueba.
La parte superior de la salida, que muestra la configuración de la prueba, es casi idéntica a la salida del ejemplo anterior.
La única diferencia es una línea que identifica el método de prueba como "Pruebas de Bai-Perron de 1 a M rupturas
determinadas globalmente".
La parte central de la salida contiene los resultados de la prueba:
Roturas secuenciales determinadas por la estadística F: 5
Rupturas significativas más grandes de la estadística F: 5
Descansos determinados por UDmax: 1
Descansos determinados por WDmax: 1
Escamoso Crítico ponderado

Rompe la estadística F estadística F estadística F Valor
*
57.90582 57.90582 57.90582 43.01429 43.01429 8,58
*
1 51.11671 33.32281 33.32281 47.97143
24.77054
24.77054 7,22
*
2 42.59143 5,96
*
3 4,99
*
45 18.32587 18.32587 40.21381 3.91
Estadística UDMax* 57.90582 Valor crítico UDMax** 57.90582 8.88

Estadística WDMax* Valor crítico WDMax** 9.91
* Significativo al nivel 0.05.

**
Bai-Perron (Econometric Journal, 2003) valores críticos.
Las primeras cuatro líneas resumen los resultados de diferentes enfoques para determinar el número de rupturas. El
resultado “Secuencial” se obtiene realizando pruebas desde 1 hasta el número máximo hasta que no podamos rechazar
el nulo; el resultado "Significativo" elige el punto de corte estadísticamente significativo más grande. En ambos casos, la
prueba de múltiples puntos de ruptura indica que hay 5 rupturas. Los resultados "UDmax" y "WDmax" muestran el número
de puntos de ruptura como
determinado por la aplicación de las estadísticas maximizadas no ponderadas y ponderadas. Las estadísticas maximizadas indican
la presencia de una única ruptura.
Las líneas restantes muestran las estadísticas de prueba individuales (originales, escaladas, ponderadas)
junto con los valores críticos para las estadísticas escaladas. En cada caso, las estadísticas superan con creces
el valor crítico, por lo que rechazamos el valor nulo de ausencia de interrupciones. Tenga en cuenta que los valores
correspondientes alas
y UDmax WDmax
estadísticas están sombreadas para una fácil identificación.
Las últimas dos líneas de salida muestran los resultados de la prueba para estadísticas de doble máximo. En ambos casos, el
valor maximizado supera claramente el valor crítico, por lo que rechazamos la nula de no rupturas a favor de la alternativa de una
sola ruptura.
La parte inferior de la parte muestra los optimizadores globales para los puntos de interrupción para cada número de interrupciones:
Fechas estimadas de descanso:

1: 1980Q4
2: 1972Q4, 1980Q4
3: 1967Q1, 1972Q4, 1980Q4
4: 1967Q1, 1972Q4, 1977Q1, 1980Q4
5: 1965Q1, 1968Q4, 1972Q4, 1977Q1, 1980Q4
Tenga en cuenta que los optimizadores globales de tres rupturas son los mismos que los obtenidos en el ejemplo de prueba secuencial
("Sequential Bai-Perron" en la página 217). Esta equivalencia no se mantendrá en general.
Criterios de Información Global
Por último, consideramos utilizar criterios de información para seleccionar el número de descansos.
Aquí vemos el diálogo cuando seleccionamos Criterios de información global en el menú desplegable Método . Tenga en
cuenta que no hay opciones para calcular las covarianzas de los coeficientes ya que este método no requiere su cálculo. Haga clic
en Aceptar para construir la tabla de resultados.
Las partes superior e inferior de la salida son similares a los resultados vistos anteriormente, por lo que nos
enfocamos solo en los resúmenes de las pruebas:
Criterio de Schwarz roturas seleccionadas: 2

Rupturas seleccionadas por el criterio LWZ: 2
La suma de Negro* LWZ*

Rompe # de Coefs. cuadrados residentes Log-L Criterio Criterio
0 1214.922 -273.2375 2.512703 1.969506 2.550154

1 1 644.9955 -240.6282 455.9502 1.712641 2.082148
2 3 -222.7649 445.1819 1.778735 1.900875
3 5 -221.5340 444.8797 1.868051 2.042977
4 7 -221.4990 449.6395 -222.0471 1.968688 2.208735
5 9 11 2.386267
*
Valores mínimos del criterio de información mostrados con sombreado
Las dos filas de resumen muestran que tanto el criterio de información de Schwarz como el de LWZ seleccionan 2
rupturas. El resto de la salida muestra, para cada ruptura, el número de coeficientes estimados, los residuos y la
probabilidad de suma de cuadrados optimizados, y los valores de los criterios de información. Los valores
minimizados de Schwarz y LWZ están sombreados para una fácil identificación.
Prueba de pronóstico de Chow
La prueba de pronóstico de Chow estima dos modelos: uno que usa el conjunto completo de T , y el
.
datos y otro que usa un subperíodo largo T1Las diferencias entre los resultados de los dos modelos estimados
arrojan dudas sobre la estabilidad de la relación estimada durante el período de la muestra. La prueba de
pronóstico de Chow se puede utilizar con regresiones de mínimos cuadrados y de mínimos cuadrados en dos etapas.
EViews informa dos estadísticas de prueba para la prueba de pronóstico de Chow. El estadístico F se calcula como
ÿ u˜ ÿu˜ - uÿu T2
ÿ ÿ
F ÿ ----------------------------------------
, (24.32)
uÿu T1 ÿ ÿ ÿ- k
donde u˜ ÿu˜ T es la suma residual de cuadrados cuando la ecuación se ajusta a todos los observadores de muestra
uÿulaT1
vaciones, es suma residual de cuadrados cuando la ecuación se ajusta a las observaciones, k
y es el número de coeficientes estimados. Esta estadística F sigue una distribución F de muestra finita exacta si
los errores son independientes e idénticamente distribuidos normalmente.
La estadística de razón de verosimilitud logarítmica se basa en la comparación del máximo restringido y no

restringido de la función de verosimilitud logarítmica (gaussiana). Tanto la verosimilitud logarítmica restringida
como la no restringida se obtienen estimando la regresión utilizando la muestra completa. La regresión
restringida usa el conjunto original de regresores, mientras que la regresión sin restricciones agrega una
2
variable ficticia para cada punto de pronóstico. El estadístico de prueba LR tiene una distribución
X asintótica
ción con grados de libertad igual al número de puntos de pronóstico hipótesis de no T2 bajo el nulo
cambio estructural.
Para aplicar la prueba de pronóstico de Chow, presione Ver/Diagnóstico de estabilidad/Prueba de pronóstico de

Chow... en la barra de herramientas de la ecuación y especifique la fecha o el número de observación para el comienzo
de la muestra de pronóstico. La fecha debe estar dentro de la muestra actual de observaciones.
Como ejemplo, usando el archivo de trabajo "Coef_test2.WF1", supongamos que estimamos una función de consumo,
EQ1, usando datos trimestrales de 1947q1 a 1994q4 y especificamos 1973q1 como la primera observación en el período
de pronóstico. La prueba vuelve a estimar la ecuación para el período 1947q1 a 1972q4 y usa el resultado para calcular
los errores de predicción para los trimestres restantes, y la parte superior de la tabla muestra los siguientes resultados:
Prueba de pronóstico de Chow
Ecuación: EQ1
Especificación: REGISTRO (CS) C REGISTRO (PIB)
Predicciones de prueba para observaciones desde 1973Q1 hasta 1994:4
Valor d.f. Probabilidad

estadística F 0,708348 (88, 102) 91,57087 88 0,9511 0,3761
Índice de probabilidad
Suma de d.f. Cuadrados

Prueba SSR cuadrados 88 medios
SSR restringido 0.061798 190 0,000702

RSS sin restricciones 0.162920 102 0,000857
RSS sin restricciones 0.101122 0.101122 102 0,000991 0,000991

Valor d.f.
La probabilidad logarítmica sin restricciones ajusta los resultados de la ecuación de prueba a la cuenta
para observaciones en la muestra de pronóstico
Ninguna de las estadísticas de prueba de pronóstico rechaza la hipótesis nula de ningún cambio estructural en la función
de consumo antes y después de 1973q1.
Si probamos la misma hipótesis usando la prueba del punto de ruptura de Chow, el resultado es:
Prueba de punto de ruptura de Chow: 1973Q1
Ejemplo de ecuación: 1947Q1 1994Q4
estadística F 38.39198 problema F(2188) 0.0000
Tenga en cuenta que las estadísticas de la prueba del punto de quiebre rechazan decisivamente la hipótesis de
arriba. Este ejemplo ilustra la posibilidad de que las dos pruebas de Chow puedan arrojar resultados contradictorios.
Prueba de REINICIO de Ramsey
RESET significa Prueba de error de especificación de regresión y fue propuesto por Ramsey (1969).
El modelo de regresión lineal normal clásico se especifica como:
y X ÿ ser ÿ , (24.33)
donde se supone que el vectory de perturbación sigue la distribución normal multivariante

2ÿN0j
, yoÿ . El error de especificación es un término general que cubre cualquier desviación de
los supuestos del modelo mantenido. La correlación serial, la heteroscedasticidad o la 2idad no
normal de todos
violan el supuesto de que las perturbaciones están distribuidas ÿ N 0 j , yoÿ . Las
pruebas para estos errores de especificación se han descrito anteriormente. Por el contrario, RESET es una prueba
general para los siguientes tipos de errores de especificación:
X todas las variables relevantes.

• Variables omitidas; no incluye
• forma funcional incorrecta; algunas o todas las variables en y deben transformarse

yX en logaritmos,
potencias, recíprocos o de alguna otra forma.
• Correlación entre y Xy , que puede ser causado, entre otras cosas, por error de
medida en X , simultaneidad
serie. o presencia de valores retrasados y perturbaciones
y correlacionadas en
Bajo tales errores de especificación, los estimadores LS serán sesgados e inconsistentes, y los procedimientos
de inferencia convencionales serán invalidados. Ramsey (1969) mostró que cualquiera o todos estos errores
de especificación producen un vector medio distinto de cero para . Por tanto,y las hipótesis nula y alternativa
de la prueba RESET son:
2
H0: a Nÿ 0
ÿj , yo
ÿ
(24.34)
2
ÿ _ ,
H1st Nÿpb yoÿ mÿ0
La prueba se basa en una regresión aumentada:
y X ÿ b ÿ ÿ Zg e . (24.35)
La prueba de error de especificación evalúa la restricción g ÿ 0 . La cuestión crucial en la

determinar qué variables deben entrar en la matriz. Tenga en cuenta que la Z construcción de la prueba es
matriz puede, por ejemplo, estar compuesta por variables que no están en la especificación original, de modo
que la prueba de g ÿ 0 es simplemente la prueba de variables omitidas descrita anteriormente.
Al probar la forma funcional incorrecta, la parte no lineal del modelo de regresión puede ser alguna función
de los regresores incluidos en X . Por ejemplo, si una relación lineal,
y ÿ b0 ÿ ÿ b1X e , (24.36)
se especifica en lugar de la verdadera relación:
ÿ ÿÿb1X
y b0 ÿ y b2X2 (24.37)
Z X2
el modelo aumentado tiene y volvemos ÿ de la variable omitida. Un ejemplo más general podría ser la
al caso
especificación de una relación aditiva,
ÿ ÿÿÿ
y b0 y
b1X1 b2X2 (24.38)
en lugar de la (verdadera) relación multiplicativa:

b1
b2 y b0X1
ÿ
ÿy . (24.39)
X2
Una aproximación de la serie de Taylor de la relación multiplicativa produciría una expresión que incluye potencias
y productos cruzados de las variables explicativas. La sugerencia de Ramsey es incluir potencias de los valores predichos
de la variable dependiente (que son, por supuesto, lin Z
combinaciones de potencias y términos de productos cruzados de las variables explicativas) en:
2 3 4
Z yˆÿ ÿ ÿ yˆ,,, ÿyˆ (24.40)
donde es yˆ y X las potencias a las que se elevan

el vector de valores ajustados de la regresión de on . Los superíndices indican
estas predicciones. La primera potencia no está incluida ya que X
es perfectamente colineal con la matriz.
El resultado de la prueba informa la regresión de la prueba y el estadístico F y el índice de verosimilitud logarítmica para
probar la hipótesis de que los coeficientes de las potencias de los valores ajustados son todos cero. Un estudio de
Ramsey y Alexander (1984) mostró que la prueba RESET podía detectar un error de especificación en una ecuación que
se sabía a priori que estaba mal especificada pero que, sin embargo, daba valores satisfactorios para todos los criterios
de prueba más tradicionales: bondad de ajuste, prueba para correlación serial de primer orden, cocientes t elevados.
Para aplicar la prueba, seleccione View/Stability Diagnostics/Ramsey RESET Test… y especifique el número de
términos ajustados para incluir en la prueba de regresión. Los términos ajustados son las potencias de los valores
ajustados de la regresión original, comenzando con el cuadrado o la segunda potencia. Por ejemplo, si especifica 1, la
2
prueba agregará la regresión, y si especifica 2, la prueba agregará
yˆ y la regresión, y así sucesivamente. Si especifica un
2 3
número grande yˆ yˆ
de términos ajustados, EViews puede informar un mensaje de error de matriz casi singular ya que es probable que las
potencias de los valores ajustados sean altamente colineales. La prueba Ramsey RESET solo es aplicable a ecuaciones
estimadas utilizando métodos seleccionados.
Mínimos cuadrados recursivos
En mínimos cuadrados recursivos, la ecuación se estima repetidamente, utilizando subconjuntos cada vez más grandes
hay coeficientes a estimar en el vector,kentonces el primer k de b los datos de la muestra. Si
las observaciones se utilizan para formar la primera estimaciónbde . Luego se agrega la siguiente observación al
conjunto de datos y k ÿ 1 b las observaciones se utilizan para calcular la segunda estimación de . Este
T utilizado todos los puntos de muestra, lo que da
El proceso se repite hasta que se hayan pro T k – ÿ 1estimados
b
como resultado b
el vector. En cada paso, la última estimación de puede usarse para predecir el siguiente valor de la
variable dependiente. El error de pronóstico de un paso adelante que resulta de esta predicción, adecuadamente
escalado, se define como un residuo recursivo.
formalmente, sea Xt – 1 el t – 1 ÿ k ÿ ÿ Más matriz de regresores de periodo 1 a periodo y el

t -1
correspondiente , vector de observaciones sobre la variable dependiente. yt -1
Estos datos hasta el vector t -1 dar un vector de coeficiente estimado, denotado por bt – 1 . Este
t El pronóstico es
de coeficiente del período le brindan un pronóstico de la variable dependiente en el período.
, donde
xtÿbt – 1 error de pronóstico t
es fila de las observaciones de los regresores en el período . El yt xtÿbt
xtÿ es el vector –1
– , y la varianza del pronóstico viene dada por:
2j
ÿ 1 ÿxtÿ Xt ÿ– 1ÿXt – 1 -1 x t ÿ . (24.41)
El residual recursivo se define

peso
en EViews como:
–
ÿ yt
ÿ ÿb xt – 1
peso
ÿ ------------------------------------------------- -------------------------------------
. (24.42)
2ÿ
ÿ1 ÿxtÿ Xt ÿ– 1ÿXt – 1 -1 x t ÿ1
Estos residuos se pueden calcular para tk ÿ ÿ 1, los ,ÿ

T . Si el modelo mantenido es válido,
residuos recursivos se distribuirán de manera independiente y normal con media cero y varianza constante.
2
j
Para calcular los residuos recursivos, presione

Ver/Diagnóstico de estabilidad/Estimaciones
recursivas (solo OLS)... en la barra de
herramientas de la ecuación. Hay seis opciones
disponibles para la vista de estimaciones recursivas. el recursivo
La vista de estimaciones solo está disponible para
ecuaciones estimadas por mínimos cuadrados
ordinarios sin términos AR y MA. La opción
Guardar resultados como serie le permite guardar
los residuos recursivos y los coeficientes recursivos
como series con nombre en el archivo de trabajo; consulte “Guardar resultados como serie” en la página 229.
Residuos recursivos
Esta opción muestra un gráfico de los residuos recursivos sobre la línea cero. También se muestran más y
menos dos errores estándar en cada punto. Los residuos fuera de las bandas de error estándar sugieren
inestabilidad en los parámetros de la ecuación.
Prueba CUSUM
La prueba CUSUM (Brown, Durbin y Evans, 1975) se basa en la suma acumulada de los residuos recursivos.
Esta opción traza la suma acumulada junto con las líneas críticas del 5%.
La prueba encuentra inestabilidad en los parámetros si la suma acumulada se sale del área entre las dos
líneas críticas.
La prueba CUSUM se basa en la estadística:

Peso ÿ ÿ wr ÿ s , (24.43)
rk ÿ ÿ 1
para tk ÿ ÿ 1, donde
,ÿ esTel, residual en
recursivo definido anteriormente, y s es la desviación estándar de
los residuales recursivos Si el vector permanece
peso
constante
. tenderáb ade un período
divergir de la alínea
otro,de
pero si medio
valor cambia,
cero .
Peso Edeÿ cualquier
La importancia ÿÿ0 , desviación de la línea
peso cero se evalúa con referencia a un par de t
5% de líneas de significación, la distancia entre las cuales aumenta con . Las líneas de significancia
del 5% se encuentran conectando los puntos:
1 2ÿ 1 2ÿ
ÿ k, 0.948ÿ ÿ T k – ÿ– ÿ y ÿ T ,3 0.948ÿ ÿ T k – ÿ ÿ ÿ . (24.44)
Movimiento de peso fuera de las líneas críticas sugiere inestabilidad del coeficiente. A continuación se
proporciona un ejemplo de CUSUM:
300
250
200
150
100
50
-50
50 55 60 65 70 75 80 85 90
DISFRAZ 5% de importancia
La prueba indica claramente inestabilidad en la ecuación durante el período de muestra.
Prueba CUSUM de cuadrados
La prueba CUSUM de cuadrados (Brown, Durbin y Evans, 1975) se basa en el estadístico de prueba:
t T
ÿ
2ÿ ÿ 2ÿ
St
ÿ
ÿ
ÿ
ÿ wr
ÿÿ
ÿ ÿ ÿ
ÿ wr
ÿ
ÿ . (24.45)
rk ÿ ÿ 1 rk ÿ ÿ 1
El valor esperado de bajo S

lat hipótesis de la constancia de los parámetros es:
E St ÿ ÿ ÿ ÿ ÿ ÿtkÿ–Tÿk – (24.46)
que va de cero a partir de t k ÿ t Taÿ la unidad en . El significado de la salida de S

su valor esperado se evalúa con referencia a un par de líneas rectas paralelas alrededor del valor
esperado. Ver Brown, Durbin y Evans (1975) o Johnston y DiNardo (1997, Tabla D.8) para una tabla de
líneas de significación para la prueba CUSUM de cuadrados.
La prueba CUSUM of squares proporciona un gráfico de contra

St t líneas críticas del 5 por ciento. Al igual
y el par de
que con la prueba CUSUM, el movimiento fuera de las líneas críticas sugiere inestabilidad de varianza o parámetro.
La suma acumulada de los cuadrados generalmente 1.2
se encuentra dentro de las líneas de significación del 1.0

5%, lo que sugiere que la varianza residual es algo
0.8
estable.
0.6
Prueba de pronóstico de un paso 0.4
Si mira hacia atrás en la definición de los residuos 0.2
recursivos dada arriba, verá que cada residuo

0.0
recursivo es el error
-0.2
en un pronóstico de un paso adelante. Para 50 55 60 65 70 75 80 85 90
probar si el valor de la variable dependiente en el CUSUM de Cuadrados 5% de importancia
momento podríat provenir del modelo ajustado a

todos los datos hasta ese momento, cada error se
puede comparar con su desviación estándar de la muestra completa.
La opción Prueba de pronóstico de un paso produce una gráfica de los residuos recursivos y los errores
estándar y los puntos de muestra cuyo valor de probabilidad es igual o inferior al 15 por ciento. La gráfica puede
ayudarte a identificar los períodos en los que tu ecuación es menos exitosa. Por ejemplo, la prueba de pronóstico
de un paso adelante podría verse así:
La parte superior de la gráfica (eje verti cal .08
derecho) repite los residuos recursivos y los

.04
errores estándar mostrados por la opción Residuos
.00
recursivos . La parte inferior de la gráfica (eje
vertical izquierdo) muestra los valores de .000 -.04
.025
probabilidad para aquellos puntos de muestra -.08
.050
donde la hipótesis de la constancia de los
.075
parámetros se rechazaría en los niveles de 5, 10
.100
o 15 por ciento. Los puntos con valores de p .125
menos de 0,05 corresponden a aquellos puntos en .150

50 55 60 65 70 75 80 85 90
los que los residuos recursivos quedan fuera de
Probabilidad de un paso
los dos límites de error estándar. Residuos recursivos
Para la ecuación de prueba, hay evidencia de inestabilidad al principio del período de muestra.
Prueba de pronóstico de N pasos
Esta prueba utiliza los cálculos recursivos para llevar a cabo una secuencia de pruebas de Chow Forecast. A
diferencia de la prueba única Chow Forecast descrita anteriormente, esta prueba no requiere la
especificación de un período de pronóstico: calcula automáticamente todos los casos factibles, comenzando con el tamaño de
muestra más pequeño posible para estimar la ecuación de pronóstico y luego agregando una observación a la vez. La gráfica de
esta prueba muestra los residuos recursivos en la parte superior y las probabilidades significativas (basadas en la estadística F) en
la parte inferior del diagrama.
Estimaciones de coeficientes recursivos
Esta vista le permite rastrear la evolución de las estimaciones para cualquier coeficiente a medida que se utilizan más y más
datos de muestra en la estimación. La vista proporcionará un gráfico de coeficientes seleccionados en la ecuación para todas las
estimaciones recursivas factibles. También se muestran las dos bandas de error estándar alrededor de los coeficientes estimados.
Si el coeficiente muestra una variación significativa a medida que se agregan más datos a la ecuación de estimación, es una fuerte
indicación de inestabilidad. Los diagramas de coeficientes a veces mostrarán saltos dramáticos cuando la ecuación postulada
intente digerir una ruptura estructural.
Para ver las estimaciones de los coeficientes recursivos, haga clic en la opción Coeficientes recursivos y enumere los coeficientes
que desea trazar en el campo Lista de visualización de coeficientes del cuadro de diálogo. A continuación se proporcionan las
estimaciones recursivas de la propensión marginal a consumir (coeficiente C(2)), a partir de la función de consumo muestral:
1.3
La propensión estimada a consumir aumenta constantemente
1.2
a medida que agregamos más datos durante el período de
1.1
muestra, acercándose a un valor de uno.
1.0
Guardar resultados como serie 0.9
0.8
La casilla de verificación Guardar resultados como serie servirá
0.7
diferentes cosas dependiendo de la trama que haya pedido 0.6
que se muestre. Cuando se combina con la opción 0.5
Coeficientes recursivos , Guardar resultados como serie 0.4

50 55 60 65 70 75 80 85 90
instruirá a EViews
para guardar todos los coeficientes recursivos y sus Estimaciones recursivas B1(2)
± 2 SE
errores estándar en el archivo de trabajo como se nombra

serie. EViews nombrará los coeficientes
utilizando el siguiente nombre disponible del formulario, R_C1, R_C2, …, y los errores estándar correspondientes como R_C1SE,
R_C2SE, etc.
Si marca la casilla Guardar resultados como serie con cualquiera de las otras opciones, EViews guarda los residuos recursivos
y los errores estándar recursivos como series con nombre en el archivo de trabajo. Vistas electrónicas
nombrará los errores residual y estándar como R_RES y R_RESSE, respectivamente.
Tenga en cuenta que puede utilizar los residuos recursivos para reconstruir la serie CUSUM y CUSUM de cuadrados.
Parcelas de apalancamiento
Los gráficos de apalancamiento son el equivalente multivariado de un gráfico residual simple en una regresión
univariada. Al igual que las estadísticas de influencia, los gráficos de apalancamiento se pueden usar como un
método para identificar observaciones influyentes o valores atípicos, así como un método para diagnosticar
gráficamente cualquier falla potencial de los supuestos subyacentes de un modelo de regresión.
Los gráficos de apalancamiento se calculan, en esencia, convirtiendo una regresión multivariada en una colección
de regresiones univariadas. Siguiendo la notación dada en Belsley, Kuh y Welsch 2004 (Sección 2.1), la gráfica de
apalancamiento para el k-ésimo coeficiente se calcula de la siguiente manera:
Dejar
Xk sea la k-ésima columna de la matriz de datos (la k-ésima variable en una ecuación lineal, o el k-ésimo
gradiente en una no lineal), y X kÿ ÿ de una regresión
X kÿ ÿ ser
delas
la variable
columnas dependiente,
restantes. Sean
en y los
X kÿresiduos
ÿ regresión
uk de sobre Xk
, y sean los residuos de un vk
. El diagrama de apalancamiento para el k-ésimo coeficiente es entonces un diagrama de dispersión de
en .
Reino Unido vk
Se puede demostrar fácilmente que en una regresión auxiliar de uk

sobre
vk una constante y , el coeficiente
El coeficiente
vkserá idéntico al k-ésimo coeficiente de la regresión original. Así, la regresión original puede
representarse como una serie de estas regresiones auxiliares univariadas.
En una regresión univariante, a menudo se usa una gráfica de los residuos contra la variable explicativa para
verificar si hay valores atípicos (cualquier observación cuyo residuo esté lejos de la línea de regresión), o para
verificar si el modelo posiblemente está mal especificado (por ejemplo, para verificar por linealidad).
Las gráficas de apalancamiento se pueden usar de la misma manera en una regresión multivariada, ya que cada
coeficiente se ha modelado en una regresión auxiliar univariada.
Para mostrar gráficos de apalancamiento en EViews, seleccione Ver/

Diagnóstico de estabilidad/Gráficas de apalancamiento....
EViews mostrará un cuadro de diálogo que le permite elegir
algunas opciones simples para las gráficas de apalancamiento.
El cuadro Variables para graficar le permite ingresar qué

variables o coeficientes en una ecuación no lineal desea
graficar. De forma predeterminada, este cuadro se completará
con los regresores originales de su ecuación.
Tenga en cuenta que EViews le permitirá ingresar variables
que no estaban en la ecuación original, en cuyo caso el gráfico
simplemente mostrará los residuos de la ecuación original
frente a los residuos de una regresión de la nueva variable
frente a los regresores originales.
Para agregar una línea de regresión a cada diagrama de dispersión, seleccione la casilla de verificación Agregar líneas
de ajuste . Si no desea crear gráficos de las variables parciales, sino que prefiere trazar los residuos de regresión
originales contra los regresores sin procesar, desmarque la casilla de verificación Variables parciales .
Finalmente, si desea guardar los residuos parciales para cada variable en una serie en el archivo de trabajo, puede
ingresar un sufijo de nombre en el cuadro Ingrese un sufijo de nombre para guardar las variables como una serie .
Luego, EViews agregará el nombre de cada variable al sufijo que ingresó como el nombre de la serie creada.
Ilustramos usando un ejemplo tomado de Wooldridge (2000, Ejemplo 9.8) para la regresión de los gastos de I+D
(RDINTENS) sobre las ventas (SALES), las ganancias (PROFITMARG) y una constante (usando el archivo de trabajo
“Rdchem.WF1”). Los gráficos de apalancamiento para la ecuación E1 se muestran aquí:
Estadísticas de influencia
Las estadísticas de influencia son un método para descubrir observaciones influyentes o valores atípicos. Son una
medida de la diferencia que hace una sola observación en los resultados de la regresión, o cómo
diferente es una observación de las otras observaciones en la muestra de una ecuación. EViews proporciona
una selección de seis estadísticas de influencia diferentes: RStudent, DRResid, DFFITS, CovRatio,
HatMatrix y DFBETAS.
• RStudent es el residual estudentizado; el residuo de la ecuación en esa observación

dividido por una estimación de su desviación estándar:
no
no ÿ ----------------------------
(24.47)
s iÿ ÿ 1 hola –
donde esnoel residuo original para esa observación, uals que es la varianza del resid
siÿ ÿ
habría resultado si la observación no se hubiera incluido ien la estimación, xiÿ ÿ X'X y es el i-ésimo
–1
numéricamente
hola idéntico al t -estadística que resultaría de poner una variable
elemento
Hat,ficticia
decir. El
esdiagonal
en , laestudiante
también
de es xi
ecuación
la Matriz
original que es igual a 1 en esa observación en particular y cero en cualquier otra parte. Por lo tanto,
puede interpretarse como una prueba de la importancia de esa observación.
• DFFITS es la diferencia escalada en valores ajustados para esa observación entre la ecuación original
y una ecuación estimada sin esa observación, donde la escala se realiza dividiendo la diferencia por
una estimación de la desviación estándar del ajuste:
1 2ÿ
hola no
------------- ---------------------------- (24.48)
DFFITSi ÿ
1 hola - s iÿ ÿ 1 hola –
• DRResid es el residuo descartado, una estimación del residuo para esa observación si la ecuación se
hubiera ejecutado sin los datos de esa observación.
• COVRATIO es el cociente entre el determinante de la matriz de covarianza de los coeficientes de la

ecuación original y el determinante de la matriz de covarianza de una ecuación sin esa observación.
–1
• HatMatrix informa el i-ésimo elemento diagonal de Hat Matrix: xiÿ ÿ XÿX xi
.
• DFBETAS son la diferencia escalada en las betas estimadas entre las equa originales
ción y una ecuación estimada sin esa observación:
j,
bj bj – ÿ ÿi (24.49)
DFBETASI ÿ --------------------------------
s iÿ ÿ donde bj ÿ ÿ
donde es el coeficiente estimado de la ecuación original, y bjÿ ÿi es el coeficiente
mamada
estimar a partir de una ecuación sin observación. i

Para mostrar estadísticas de influencia en

EViews, seleccione Ver/Diagnósticos de
estabilidad/Estadísticas de influencia.
EViews abrirá un cuadro de diálogo donde
puede elegir cómo desea mostrar las
estadísticas. El cuadro Estadísticas de
salida le permite elegir qué estadísticas le
gustaría calcular y si almacenarlas como un
serie en su archivo de trabajo. Simplemente

marque la casilla de verificación junto a la
estadísticas que le gustaría calcular y,

opcionalmente, introduzca el nombre de la serie que le gustaría que se creara. Tenga en cuenta que para las estadísticas de
DFBETAS debe ingresar un sufijo de nombre, en lugar del nombre de la serie. EViews luego creará la serie con el nombre del
coeficiente seguido del sufijo de nombre que proporcione.
El cuadro Tipo de salida le permite seleccionar si desea mostrar las estadísticas en forma de gráfico, en forma de tabla o
en ambas. Si ambas casillas están marcadas, EViews creará un objeto de cola que contiene tablas y gráficos.
Si selecciona mostrar las estadísticas en forma tabular, se habilitará un nuevo conjunto de opciones que rigen cómo se
forma la tabla. De manera predeterminada, EViews solo mostrará 100 filas de estadísticas en la tabla (aunque tenga en cuenta
que si su ecuación tiene menos de 100 observaciones, se mostrarán todas las estadísticas). Puede cambiar este número
cambiando el menú desplegable Número de obs para incluir . EViews mostrará las estadísticas ordenadas de mayor a
menor, donde los Residuales se utilizan para el orden de clasificación. Puede cambiar qué estadística se usa para ordenar
usando el menú desplegable Seleccionar por . Finalmente, puede cambiar el orden de clasificación para que sea por orden de
observación en lugar de por una de las estadísticas usando la casilla de verificación Mostrar en orden de observación .
Ilustramos el uso de la ecuación E1 del archivo de trabajo "Rdchem.WF1". Un gráfico de DFFITS y COVRATIO muestra
claramente que la observación 10 es un valor atípico.

EViews 10 Users Guide II-1-250

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

EViews 10 Users Guide II-1-250

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Machine Translated by Google

Guía del usuario de EViews 10 II

Guía del usuario de EViews 10 II

IHS Global Inc.

4521 Campus Drive, #336

EVIEWS 10 GUÍA DEL USUARIO I

PARTE I. FUNDAMENTOS DE LAS OPINIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

A dónde ir en busca de ayuda . . . . . . . . . . . ...... ....... ...... . ...... . ...... ....... . . . 14

Actualizaciones de EViews. . . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . 15

CAPÍTULO 2. UNA DEMOSTRACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

Estimación de un modelo de regresión. . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . 27

Especificación y Pruebas de Hipótesis. ....... ...... ....... ....... ....... ...... . . . . 30

Modificando la Ecuación. . ....... ...... . ...... ....... ....... ....... ...... . . . . 31

Pruebas adicionales. . . . . ....... ....... ....... ...... . ...... . ...... ....... . . . . 39

CAPÍTULO 3. FUNDAMENTOS DEL ARCHIVO DE TRABAJO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Guardar un archivo de trabajo. . . . . . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . 75

Cargando un archivo de trabajo. . . . . . . . . . . . ...... ....... ....... ....... ...... . ...... . . . . 82

CAPÍTULO 4. FUNDAMENTOS DE LOS OBJETOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

Operaciones básicas de objetos. . . . . . . . . . . . ...... . ...... ....... ....... ...... . . . . . . . .105

CAPÍTULO 5. MANEJO DE DATOS BÁSICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123

Objetos de datos. . . . . . . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . .123

Objetos de muestra. . . . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .144

Importación de datos. . . . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .146

Exportación de datos. . . . . . . . . . . . ...... ....... ...... ....... ....... ...... . . . . . . . .161

Conversión de frecuencia. . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .170

CAPÍTULO 6. TRABAJO CON DATOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179

CAPÍTULO 7. TRABAJO CON DATOS (AVANZADO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .203

Serie de actualización automática. . . . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .203

CAPÍTULO 8. ENLACES DE SERIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .233

CAPÍTULO 9. ARCHIVOS DE TRABAJO AVANZADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .263

Agregar a un archivo de trabajo. . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .291

Contratación de un Workfile. . . . . . ...... ....... ...... . ...... ....... ....... . . . . . . .294

Reformar un archivo de trabajo. . . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .298

CAPÍTULO 10. BASES DE DATOS DE EVIEWS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317

El Registro de la Base de Datos. . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . . . . 331

Consultando la base de datos. . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . . . . 333

Mantenimiento de la base de datos. . . . . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . 343

PARTE II. ANÁLISIS DE DATOS BÁSICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .395

CAPÍTULO 11. SERIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397

Grafico . . . . . . . . . ....... ...... ....... ....... ...... ....... ....... . . . . . . . . . 398

Estadísticas y pruebas descriptivas. . . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . 398

Tabulación de un solo sentido. . . . . . . . . . . ...... . ...... ....... ....... . . . . . . . . . . . . . . . . 415

Correlograma. . . . ...... . ...... ....... ...... ....... ....... ....... . . . . . . . . . 416

Propiedades . . . . . . . . . . . . . ...... . ...... ....... ...... ....... ....... . . . . . . . . . 428

Generar por Ecuación. . . ....... ...... ....... ....... ....... . . . . . . . . . . . . . . . . 430

Generar por Clasificación. . . . . . . ...... ....... ....... ....... . . . . . . . . . . . . . . . . 431

volver a muestrear . . . . . . . . . . . . ...... ....... ...... ....... ....... ....... . . . . . . . . . 435

Ajuste estacional. . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .440

Pronósticos automáticos ARIMA. . . . . . . ....... ...... . ...... ....... ....... . . . . . . .491

Promedio de pronósticos. . . . . . . . . ...... ....... ....... ...... ....... ....... . . . . . . .500

Suavizado exponencial. . . . . . ...... ....... ...... . ...... ....... ....... . . . . . . .506

CAPÍTULO 12. GRUPOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .543

Resumen de vistas de grupo. . . . . . . . . . . . ....... ...... ....... ....... ....... . . . . . . .543

Grafico . . . . . . . . . . . . ....... ...... ....... ....... ...... ....... ....... . . . . . . .568

Estadísticas descriptivas . . . . . . . ....... ....... ...... ....... ....... ...... . . . . . . . .568

Análisis de covarianza. . . . . . . ....... ...... . ...... ....... ....... ....... . . . . . . .568

Pruebas de Igualdad. . . . . . . . . . ....... ...... ....... ....... ....... ....... . . . . . . .585

Componentes principales . . . . . ....... ....... ....... ...... ....... ....... . . . . . . . .586

Correlogramas. . . . . . ...... . ...... ....... ...... ....... ....... ....... . . . . . . .599

Correlaciones cruzadas y correlogramas. . ....... ...... ....... ....... ...... . . . . . . . .599

Prueba de cointegración. . . . . . . . . ....... ...... ....... ....... ....... ...... . . . . . . . .606

Causalidad de Granger. . . . . . . . . ....... ....... ...... ....... ....... ....... . . . . . . .606

CAPÍTULO 13. GRÁFICOS DE DATOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .613