Trabajo 2.2.

Sergio Trigo Medina

Víctor Valdera Barba

1. Interpretación Variable
Yt= β1 + β2Mt + β3rt + … + ε

Insertamos una variable ficticia (Crisis del petróleo aditiva y multiplicativamente); también
podemos denotarla como “cualitativa o dummy”.

Como se nos pide añadirla tanto aditiva como multiplicativamente consideramos que es un
modelo tipo 3, o “modelo mixto”.

Al encontrarnos ambos casos, veremos un cambio de ordenada y de pendiente en nuestra

recta.

Yt= β1 + β2Mt + β3rt + β4Zi + β5MtZi + ε → Siendo Zi la Crisis del petróleo.

Cuando trabajamos con variables ficticias, realizaremos hipótesis dicotómicas, es decir; solos
se pueden tomar dos valores posibles; que el atributo esté presente (lo denotaremos por Zi=1)
o ausente (Zi=0)

Redactamos entonces las posibilidades:

𝑍𝑖 = 0 (𝐸𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜 𝑒𝑠𝑡á 𝑎𝑢𝑠𝑒𝑛𝑡𝑒)
{
𝑍𝑖 = 1 (𝐸𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜 𝑒𝑠𝑡á 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑒)
En este caso, cuando Zi = 1 nos encontraremos en crisis petrolera, y cuando sea 0, no habrá
dicha crisis.

En el caso de que Zi = 0, nos quedaría el modelo así:

Yt= β1 + β2Mt + β3rt + ε

En el caso de que Zi = 1, o sea; que haya Crisis petrolera, el modelo quedaría de este otro
modo:

Yt= (β1+ β4) + (β2 + β5)Mt + β3rt + ε

Cuando Zi es 1, o sea; existe la Crisis petrolera, observamos como (β1+ β4) se vería reflejado
como un cambio en el origen de nuestra función, mientras que (β2 + β5)Mt se considera como
un cambio de pendiente.

En el resto de nuestro trabajo consideraremos que la Crisis petrolera no existe (Zi=0) por lo
que nos quedaremos con el modelo Yt= β1 + β2Mt + β3rt + ε, sobre el que trabajaremos en el
resto de los puntos.
 2. Contraste de relaciones lineales.
Yt= β1 + β2Mt + β3rt + ε está sujeto a las siguientes restricciones:

• B1+B3=2000
• 3B2=60

Definimos las matrices R, β y r.

β1
1 0 1 2000
R= β= β2 r=
0 3 0 60
β3
Planteamos las hipótesis nula y alternativa:
𝐻0: 𝐿𝑎𝑠 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒𝑛 = 𝑅β = r → Rβ − r = 0
{
𝐻1: 𝐿𝑎𝑠 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑛𝑜 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒𝑛 = 𝑅β ≠ r → Rβ − r ≠ 0
Insertamos las restricciones en Gretl:

Conjunto de restricciones

1: b[const] + b[r] = 2000

2: 3*b[M] = 60
̂−r)[𝑅(𝑋 ′ 𝑋)−1 𝑅′](𝑅β
(𝑅β ̂−r)/𝑞
Fexp:
𝑒 ′ 𝑒/𝑛−𝑘

Estadístico de contraste: F(2, 17) = 77517.5, con un valor p asociado de 2.18654e-034

(2.18·10^-34), que claramente es menor que α=0,05, y por tanto nos encontramos en Región
Crítica, por lo que rechazamos H0, aceptamos H1; 𝑅β ≠ r, las restricciones no se cumplen.

3. Contraste De Chow. Punto de corte 1973.

Establecemos las hipótesis;
𝐻0: 𝐸𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎𝑙 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠.
{
𝐻1: 𝐿𝑜𝑠 𝑝𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑛𝑜 𝑠𝑜𝑛 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠 𝑑𝑢𝑟𝑎𝑛𝑡𝑒 𝑡𝑜𝑑𝑜 𝑒𝑙 𝑟𝑒𝑐𝑜𝑟𝑟𝑖𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒
(𝑆𝑅𝐶0−𝑆𝑅𝐶3)/𝐾
Fexp: ~F(k,n-2k)
𝑆𝑅𝐶3/(𝑛−2𝑘)

El estadístico de prueba mide la reducción de la suma de los residuos al cuadrado (SRC), y en

este caso es Fexp= 6.22123 con un p-valor asociado de 0,0066, valor que es menor que α y por
tanto, nos encontramos en Región Crítica (Aceptamos H1); Este modelo tiene inestabilidad
estructural de los parámetros.

Al tener inestabilidad estructural, los coeficientes cambian, y por tanto debemos hacer una
división temporal. Realizaríamos dos estimaciones; una de 1966-1972 y otra de 1974-1985
para ver como se comportan los coeficientes.

4. Contraste Jarque-Bera.
Definimos las hipótesis:

➔ H0: ε ~ N (Sigue una distribución normal)

➔ H1: ε no sigue una distribución normal.
𝐴^2 (𝑘−3)^2
El estadístico de prueba: JB = n [ + ] ~ χ2(2)
6 24
 𝐴^2 (𝑘−3)^2
JB = n [6
+ 24
] = = 0.623256 y tiene un p-valor asociado de 0.732254.

Al ser el p-valor mayor que α = 0,05, aceptamos H0 por lo que entendemos que ε ~ N.

Por lo que, si se distribuye normalmente, en principio coinciden media, mediana y moda.

5. Contraste RESET.
𝐻0: 𝐸(εt) = 0 → E[Y] = xβ
{
𝐻1: 𝐸(εt) ≠ 0 → E[Y] ≠ xβ

(𝑅𝑢2 − 𝑅𝑛2 )/𝑞

𝐹𝑒𝑥𝑝 =
(1 − 𝑅𝑢2 )/(𝑛 − 𝑘 − 𝑞)
En este caso al realizar el test RESET de Ramsey; obtenemos que el Estadístico de contraste es
igual a

F = 15.288578, con p-valor asociado de = P(F(2,15) > 15.2886) = 0.00024

En nuestro caso, F la consideramos estadísticamente insignificativa (no es estadísticamente

significativa) al nivel elegido, debido a que el p-valor (0,00024) es menor que α (0,05).

Al ser α mayor que el p-valor, podemos decir que el problema está mal especificado.

Como hemos estudiado, hay muchos motivos por los que un problema puede estar mal
especificado (ya sea incluir variables innecesarias u omitir las necesarias, o inclusión de sesgos
o errores de medición…)

En nuestro caso no se nos dice cual puede ser el motivo de la mala especificación.
̂ 2 + εt → R2
̂ 2+ β5𝑦𝑡
Regresión auxiliar: Yt= β1 + β2Mt + β1rt + β4𝑦𝑡