Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Repaso Ejerciciopractico2
Repaso Ejerciciopractico2
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
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
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]
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.
4
Corrección de errores estándar funciona para muestras grandes
o Cambiar la especificación del modelo (ej logs): Heteroscedasticidad como síntoma (no causa)
de especificación incorrecta
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
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
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