Econometría Superior 2022-23

Repaso y preparación para el ejercicio práctico 2

Lo que necesitas saber…
1. Los conceptos y aplicaciones básicos del ejercicio práctico 1 (modulo 1 en el
Aula Virtual)
• estadísticos y gráficos principales
• estimación, interpretación de coeficientes, significación individual
• contrastes diferentes – significación global, contrastes de un conjunto de regresores,
contrastes de restricciones lineales
• bondad de ajuste
• los básicos de variables ficticias

2. Modulo 2 en Aula Virtual – extensiones del modelo clásico, cuando los

supuestos fallan
 Definición, naturaleza,
Multicolinealidad causas del problema
No Normalidad
 Consecuencias
Heteroscedasticidad
Autocorrelación  Detección

 Medidas correctivas

Multicolinealidad (m-c)
 Que es y con qué consecuencias
m-c  correlación muy alta (pero no perfecta) entre las variables explicativas
Estimadores MCO siguen ELIO, pero baja precisión
Varianzas y errores estándares de estimadores son grandes
 Detectar problemas de m-c
o Matriz de correlaciones: coeficientes de correlación altos
o Significación individual (t) y global (F) del modelo: pocos 𝛽𝛽s significativos, pero 𝑅𝑅 2
alto.

1
 o Análisis de IFV (inflación de varianza por causa de m-c): cuantifica la intensidad de
m-c, el IFV es un índice que mide cuanto la varianza de un coeficiente estimado se
1
incrementa a causa de m-c. 𝐼𝐼𝐼𝐼𝑉𝑉𝑗𝑗 = donde 𝑅𝑅𝑗𝑗2 es el R-cuadrado de la regresión
1−𝑅𝑅𝑗𝑗2
auxiliar de 𝑋𝑋𝑗𝑗 sobre todas las otras variables explicativas. También podemos
interpretar los valores diagnósticos de m-c de BKW.

 ¿Soluciones? Aumentar/ mejorar la muestra, transformar los datos… Pero NO quitar variables sin
pensar…

No Normalidad
 ¿Qué es y con qué consecuencias?
No normalidad: El termino de error no se distribuye normalmente
No podemos hacer inferencias, ni contrastes de hipótesis y construir intervalos de confianza con
muestras pequeñas. En muestras grandes… el problema es menor.
 Como detectar problemas de no normalidad
Después de estimación, contraste de normalidad (Jarque Berra) para los residuos

 ¿Soluciones? Aumentar la muestra…

2
Heteroscedasticidad
 Que es y con qué consecuencias
o Varianza del error no es constante; normalmente con datos de corte transversal; problema
de “tamaño” (porque con datos de corte transversal tenemos unidades muy heterogéneos y
tienen “tamaños diferentes)
o Los estimadores MCO siguen insesgados y lineales, pero no son eficientes
o No es posible hacer inferencias, contrastes de hipotesis individuos y globales, intervalos de
confianza
 Como detectar problemas de het
o gráficos de residuos contra una de las variables independientes
o utilizando los residuos al cuadrado como proxy para la varianza del error

o Contrastes de heteroscedasticidad
• Contraste de White
• Contraste de Breusch Pagan
• Y muchos otros contrastes depende de la forma de heteroscedasticidad
• Hipótesis nula (siempre): No hay problema de het
• Cuando p-valor< 0,05 (o 0,01) Rechazar la nula, hay evidencia de het al nivel
de significatividad de 5% (o 1%)
• Cuando p-valor> 0,05 (o 0,01) No rechazar la nula, no hay het

3
 Soluciones de het

o El método de mínimos cuadrados ponderados (MCP)

1
Min ∑(𝑤𝑤𝑢𝑢�𝑖𝑖 )2 , 𝑤𝑤 como ponderación. Si 𝜎𝜎𝑖𝑖2 = 𝛾𝛾𝑋𝑋𝑖𝑖 → 𝑤𝑤=
�𝑋𝑋𝑖𝑖

Sintaxis en Gretl: ponderación de MCP =1/x si 𝜎𝜎𝑖𝑖2 = 𝛾𝛾𝑋𝑋𝑖𝑖 [no precisa tomar la raíz cuadrada]

o Transformar el modelo (utilizando la forma de het conocida) y continuar con MCO

Método igual de MCP. Modelo transformado sin het. Si 𝜎𝜎𝑖𝑖2 = 𝛾𝛾𝑋𝑋𝑖𝑖 → Multiplicar el modelo
1
original con . Un modelo nuevo con variables transformadas. El termino de error
�𝑋𝑋𝑖𝑖
transformado es homoscedastico (con varianza constante). El modelo es igual de MCP.

o MCO con errores estándar robustas (WHITE)

4
 Corrección de errores estándar  funciona para muestras grandes

Sintaxis de Gretl: MCO y seleccionar la opción de desviaciones típicas robustas HC1

o Cambiar la especificación del modelo (ej logs): Heteroscedasticidad como síntoma (no causa)
de especificación incorrecta

El modelo en logaritmos puede solucionar la het o el uso de variables ficticias, ya que

muchas veces la heteroscedasticidad es el síntoma de un modelo NO-LINEAL.

Autocorrelación
 Que es y con qué consecuencias
o Covarianza de los errores no es cero; normalmente con datos temporales
o Los estimadores MCO siguen insesgados y lineales, pero no son eficientes
o No es posible hacer inferencias, contrastes, intervalos de confianza
 Como detectar problemas de a-c
o gráficos de residuos
• residuos contra tiempo

• residuo contra su retardo

5
 • correlograma

Para un proceso autorregresivo Proceso AR(p), por ejemplo AR(2): FAC: Estima la autocorrelación directa
entre el periodo 𝑡𝑡 y 𝑡𝑡 − 𝑝𝑝. Decrecimiento rápido exponencial atenuado (si autocorrelación positiva) u ondas
sinusoidales (si autocorrelación negativa). Primero grafico

FACP: Estima la autocorrelación entre el periodo 𝑡𝑡 y 𝑡𝑡 − 𝑝𝑝 tomando en cuenta las autocorrelaciones

intermediarias. Sólo los 𝑝𝑝 primeros coef. son significativos. El resto se anulan bruscamente. Es el segundo
grafico y es indicativo del nivel AR.
o Contrastes de a-c
• Durbin-Watson solo para AR(1)

• Contraste de Breusch Godfrey:

un contraste general que permite modelos dinámicos, que el termino de error 𝑢𝑢𝑡𝑡 sigue un
modelo autorregresivo de orden p, AR(p) o un modelo de promedios móviles. Tiene que
elegir el numero de retardos.

6
 • Hipótesis nula (siempre): No hay problema de autocorrelación. Rechazamos la nula
(p-valor<0,05 (o 0,01)) y decimos que hay evidencia de a-c.
 Soluciones de a-c
o Mejorar la especificación del modelo (añadir tendencia, variables ficticias, términos de
interacción, retardos, modelo dinámico, logaritmos, etc...)
o Si persiste la autocorrelación --> Proceso iterativo Cochrane-Orcutt (MCG, mínimos
cuadrados genaralizados) para corregir AUTOCORRELACIÓN PURA o
o --> Errores estándares robustas de Newey-West para
Soluciones para AUTOCORRELACIÓN PURA
1. Proceso iterativo Cochrane-Orcutt (MCG) asumiendo una forma de a-c

7
 2. Errores estándares robustas de Newey-West
Sintaxis de Gretl: MCO y seleccionar la opción de desviaciones típicas robustas HAC