Técnicas de Dependencia y Modelos Econométricos: Profesor

Técnicas de dependencia
y modelos econométricos
Profesor:
Dr. Elías Alvarado Lagunas

www.eliasalvarado.com
ÍNDICE TEMAS
1. Análisis canónico (correlación canónica)
2. Modelo de elección discreta
3. Regresión múltiple
4. Cálculo matricial
5. Autocorrelación
6. Heteroscedasticidad
7. Multicolinealidad
Dr. Alvarado Lagunas, E. Estadística [Material de clase].

ANÁLISIS CANÓNICO (CORRELACIÓN CANÓNICA)
ANÁLISIS CANÓNICO MODELO DE ELECCIÓN
REGRESIÓN MÚLTIPLE CÁLCULO MATRICIAL AUTOCORRELACIÓN HETEROSCEDASTICIDAD MULTICOLINEALIDAD
(CORRELACIÓN CANÓNICA) DISCRETA
En los modelos econométricos (métodos de la dependencia)

subyace una relación general de dependencia entre las variables
independientes 𝑿𝟏 , 𝑿𝟐 , ⋯ , 𝑿𝒏 y las dependientes 𝒚𝟏 , 𝒚𝟐 , ⋯ , 𝒚𝒏
del tipo genérico 𝑮 𝒚𝟏 , 𝒚𝟐 , ⋯ , 𝒚𝒏 = 𝑭(𝑿𝟏 , 𝑿𝟐 , ⋯ , 𝑿𝒏 ) ,
donde la naturaleza de las variables caracterizará cada modelo.

REGRESIÓN LINEAL

ANÁLISIS CANÓNICO (CORRELACIÓN CANÓNICA)
¿QUÉ ES EL ANÁLISIS CANÓNICO?
Es una generalización de la regresión múltiple en el sentido de analizar la relación entre

múltiples variables dependientes (o endógenas) métricas y varias variables
independientes (o exógenas) también métricas. La expresión funcional del análisis de la
correlación canónica es
𝑮 𝒚𝟏 , 𝒚𝟐 , ⋯ , 𝒚𝒏 = 𝑭(𝑿𝟏 , 𝑿𝟐 , ⋯ , 𝑿𝒏 )
Esa técnica también puede extenderse al caso de variables dependientes o

independientes (o ambas) no métricas.

MODELO DE ELECCIÓN DISCRETA
¿QUÉ SON LOS MODELOS DE ELECCION DISCRETA?

Predicen directamente la probabilidad de ocurrencia de un suceso que viene definido
por los valores de las variables independientes. Como los valores de una probabilidad
están entre cero y uno, las predicciones realizadas con los modelos de elección discreta
deben estar acotadas para que caigan en el rango entre cero y uno. El modelo general
que cumple esta condición se denomina modelo lineal de probabilidad, y tiene la forma
funcional:
𝑷𝟏 = 𝑭 𝑿𝟏 , 𝜷 + 𝝊𝟏
Se observa que si F es la función de distribución de una

variable aleatoria entonces p varía entre cero y uno. En
el caso particular en que la función F es la función
logística estaremos ante el modelo Logit, cuya forma
funcional será la siguiente:
𝜷
𝒆𝑿𝟏
𝑷𝟏 = 𝑭 𝑿𝟏 , 𝜷 + 𝝊𝟏 = 𝜷 + 𝝊𝟏
𝟏+ 𝒆𝒙𝟏

REGRESIÓN MÚLTIPLE
¿QUÉ ES LA REGRESIÓN MÚLTIPLE?
Analiza la relación entre una variable dependiente (o endógena) métrica y

varias variables independientes (o exógenas) también métricas. El objetivo
esencial es utilizar las variables independientes, cuyos valores son conocidos,
para predecir la única variable criterio (dependiente) seleccionada por el
investigador.
La expresión funcional del análisis de la regresión múltiple es
𝒚 = 𝑭(𝑿𝟏 , 𝑿𝟐 , ⋯ , 𝑿𝒏 )
La regresión múltiple admite la posibilidad de trabajar con variables

independientes no métricas si se emplean variables ficticias para su
transformación en métricas.

MODELO DE REGRESIÓN LINEAL MÚLTIPLE
𝒀 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝑲 + 𝝊
Los coeficientes (parámetros) 𝒃𝟏 , 𝒃𝟐 … , 𝒃𝒌 denotan la magnitud del efecto que las

variables explicativas (exógenas o independientes) 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝑲 tienen sobre la variable
explicada (endógena o dependiente) Y. El coeficiente 𝒃𝟎 se denomina término constante
(o independiente) del modelo. El término u se denomina término de error del modelo.
Disponemos de un conjunto de T observaciones para cada una de las variables endógena
y exógenas. Entonces, podremos escribir el modelo de la forma:
𝒀𝒕 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏𝒕 + 𝒃𝟐 𝑿𝟐𝒕 + ⋯ + 𝒃𝒌 𝑿𝒌𝒕 + 𝝊𝒕 𝒕 = 𝟏, 𝟐, 𝟑, … , 𝑻
La aparición (no necesaria) de un término independiente en el modelo puede

interpretarse como la presencia de una primera variable 𝑿𝟎 cuyo valor sea siempre 1.

Suponiendo que la relación entre la variable Y sobre el conjunto de variables

𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝑲 es como se ha descrito en el modelo, y que se dispone de un conjunto de T
observaciones para cada una de las variables, la endógena y las exógenas, ¿Cómo pueden
asignarse valores numéricos a los parámetros 𝒃𝟎 , 𝒃𝟏 , 𝒃𝟐 , … 𝒃𝒌 basándonos en la
información muestral? Estos valores se llamarán estimaciones de los parámetros.
Una vez encontradas las estimaciones de los parámetros del modelo, podremos hacer
predicciones acerca del comportamiento futuro de la variable Y.
Formulamos el modelo lineal bajo las siguientes hipótesis:
• Las variables 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝑲 son deterministas (no son variables aleatorias), ya que su

valor es un valor constante proveniente de una muestra tomada.

• La variable u (término de error) es una variable aleatoria con esperanza nula y matriz
de covarianzas constante y diagonal (matriz escalar). Es decir que, para todo t, la
variable 𝝊 tiene media cero y varianza σ no dependiente de t, y además
𝑪𝒐𝒗 𝝊𝒊 , 𝝊𝒋 = 𝟎 para todo i y para todo j distintos entre sí. El hecho de que la
varianza de 𝝊𝒕 sea constante para todo t (que no dependa de t), se denomina
hipótesis de homoscedasticidad. El hecho de que 𝑪𝒐𝒗 𝝊𝒊 , 𝝊𝒋 = 𝟎 para todo i distinto
de j se denomina hipótesis de no autocorrelación.
• La variable Y es aleatoria, ya que depende de la variable aleatoria u.
• También se supone la ausencia de errores de especificación, es decir, que suponemos

que todas las variables X que son relevantes para la explicación de la variable Y, están
incluidas en la definición del modelo lineal.

• Las variables 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝑲 son linealmente

independientes, es decir, no existe relación lineal
exacta entre ellas. Esta hipótesis se denomina
hipótesis de independencia, y cuando no se cumple,
decimos que el modelo presenta muIticolinealidad.
• A veces también se considera la hipótesis de

normalidad de los residuos, consistente en que las
variables u, sean normales para todo t.

ESTIMACIÓN DEL MODELO LINEAL DE REGRESIÓN MÚLTIPLE
Siguiendo la siguiente representación (Regresión múltiple):
El criterio de mínimos cuadrados considera que la función que mejor se ajusta a los
datos es la que minimiza la varianza del error e, lo que es equivalente a minimizar:
𝑻 𝑻
𝑺 𝒃𝟎 , 𝒃𝟏 , … 𝒃𝒌 = ෍ 𝒆𝟐𝒕 = ෍(𝒚𝒕 − (𝒃𝟎 + 𝒃𝟏 𝒙𝟏𝒕 + 𝒃𝟐 𝒙𝟐𝒕 + 𝒃𝒌 𝒙𝒌𝒕 ))𝟐

𝒕=𝟏 𝒕=𝟏

𝑇
𝜕𝑆
= 2 ෍(𝑦𝑡 − (𝑏0 + 𝑏1 𝑥1𝑡 + 𝑏2 𝑥2𝑡 + 𝑏𝑘 𝑥𝑘𝑡 ))(−1) = 0
𝜕𝑏0
𝑡=1
𝑇
𝜕𝑆
Sistema de ecuaciones normales = 2 ෍(𝑦𝑡 − (𝑏0 + 𝑏1 𝑥1𝑡 + 𝑏2 𝑥2𝑡 + 𝑏𝑘 𝑥𝑘𝑡 ))(−𝑋1𝑡 ) = 0
𝜕𝑏1
𝑡=1
𝑇
𝜕𝑆
= 2 ෍(𝑦𝑡 − (𝑏0 + 𝑏1 𝑥1𝑡 + 𝑏2 𝑥2𝑡 + 𝑏𝑘 𝑥𝑘𝑡 ))(−𝑥𝑘𝑡 ) = 0
Derivando respecto de los 𝜕𝑏𝑘
𝑡=1
parámetros 𝒃𝟎 , 𝒃𝟏 , … 𝒃𝒌 e 𝑇 𝑇 𝑇
igualando a cero tenemos: ෍ 𝑦𝑡 = 𝑛𝑏0 + 𝑏1 ෍ 𝑥1𝑡 + ⋯ + 𝑏𝑘 ෍ 𝑥𝑘𝑡
𝑡=1 𝑡=1 𝑡=1
𝑇 𝑇 𝑇 𝑇
෍ 𝑦𝑡 𝑥1𝑡 = 𝑏0 ෍ 𝑥1𝑡 + 𝑏1 ෍ 𝑥 21𝑡 + ⋯ + 𝑏𝑘 ෍ 𝑥1𝑡 𝑥𝑘𝑡

𝑡=1 𝑡=1 𝑡=1 𝑡=1
𝑇 𝑇 𝑇 𝑇
෍ 𝑦𝑡 𝑥𝑘𝑡 = 𝑏0 ෍ 𝑥𝑘𝑡 + 𝑏1 ෍ 𝑥𝑘𝑡 𝑥1𝑡 + ⋯ + 𝑏𝑘 ෍ 𝑥 2 𝑘𝑡

𝑡=1 𝑡=1 𝑡=1 𝑡=1

CÁLCULO MATRICIAL
ESTIMACIÓN DEL MODELO, CONTRASTES E INTERVALOS DE CONFIANZA A TRAVÉS DEL

CÁLCULO MATRICIAL
Ya sabemos que el modelo lineal de regresión múltiple puede escribirse de la forma:
La expresión anterior puede representarse en forma matricial como sigue:

𝒚𝟏 𝟏𝑿𝟏𝒕 𝑿𝟐𝒕 ⋯ 𝑿𝑲𝟏 𝒃𝟎 𝒖𝟏
𝒚𝟐 𝟏𝑿𝟏𝟐 𝑿𝟐𝟐 ⋯ 𝑿𝒌𝟐 𝒃𝟏 𝒖𝟐
⋮ = + ⋮
⋯⋯⋯⋯⋯⋯ ⋮
𝒚𝒕 𝟏𝑿𝟏𝑻 𝑿𝟐𝑻 ⋯ 𝑿𝑲𝑻 𝒃𝒌 𝒖𝒕
Abreviadamente podemos poner: 𝒀 = 𝑿𝑩 + 𝒖

CÁLCULO MATRICIAL
Estas estimaciones pueden ser también por intervalos, es decir, que podremos calcular
intervalos de confianza para los parámetros. Supongamos que disponemos ya de un
෡ de los coeficientes. Podríamos escribir:
vector de estimaciones 𝑩
෡ = 𝑿𝑩
𝒀 ෡=𝒃 ෡𝟎 + 𝒃
෡ 𝟏 𝑿𝟏 + 𝒃
෡ 𝟐 𝑿𝟐 + ⋯ + 𝒃
෡ 𝒌 𝑿𝒌
෡𝟎 + 𝒃
෡𝒕 = 𝒃
𝒀 ෡𝟏 𝑿𝟏𝒕 + 𝒃
෡𝟐 𝑿𝟐𝒕 + ⋯ + 𝒃 ෡𝒌 𝑿𝒌𝒕 𝒕 = 𝟏, 𝟐, 𝟑, … , 𝑻
Los residuos son las diferencias entre los verdaderos valores de la variable Y, y los valores
෡ 𝒕 para todo t.
ෝ 𝟏 = 𝒀𝟏 − 𝒀
estimados para 𝒀𝒕 ,. Es decir 𝒖
De aquí deducimos que , con lo que el modelo original es 𝒀 = 𝑿𝑩 + 𝒖 y el modelo
෡ +𝒖
estimado será 𝒀 = 𝑿𝑩 ෝ.
Suma residual (SR) Cuya expresión es la siguiente:

Consistente en minimizar la suma de los 𝑻 𝑻
cuadrados de los residuos ෝ𝟏𝒖

𝑺𝑹 = 𝒖 ෝ = ෍𝒖 ෡ 𝟏 )𝟐
ෝ 𝟐𝒕 = ෍(𝒀𝟏 − 𝒀
𝒕=𝟏 𝒕=𝟏

AUTOCORRELACIÓN
EL PROBLEMA DE LA AUTOCORRELACIÓN Y SU DETECCIÓN

Partimos del modelo lineal:
𝒚𝟏 𝟏𝑿𝟏𝒕 𝑿𝟐𝒕 ⋯ 𝑿𝑲𝟏 𝒃𝟎 𝒖𝟏

𝒚𝟐 𝟏𝑿𝟏𝟐 𝑿𝟐𝟐 ⋯ 𝑿𝒌𝟐 𝒃𝟏 𝒖𝟐
⋮ = + ⋮
⋯⋯⋯⋯⋯⋯ ⋮
𝒚𝒕 𝟏𝑿𝟏𝑻 𝑿𝟐𝑻 ⋯ 𝑿𝑲𝑻 𝒃𝒌 𝒖𝒕
Abreviadamente: Y = X B + u, suponiendo una serie de hipótesis entre las que se

encontraban que la variable u (término de error) es una variable aleatoria con
esperanza nula (E(u)=0) y matriz de covarianzas constante y diagonal (𝑉𝑎𝑟 𝑢 = 𝜎 2 𝐼𝑘
matriz escalar). Es decir, que para todo t, la variable tiene media cero y varianza no
dependiente de t. y además 𝑪𝒐𝒗 𝒖𝒊 , 𝒖𝒋 = 0 para todo i y para todo j distintos entre si,
pudiendo escribir 𝐕𝐚𝐫 𝐮 = 𝛔𝟐 𝐈𝐤 .

AUTOCORRELACIÓN
El hecho de que 𝑪𝒐𝒗 𝒖𝒊 , 𝒖𝒋 = 𝟎 para todo i distinto de j se denomina hipótesis de no

autocorrelación. En este apartado estudiaremos el modelo lineal cuando esta hipótesis no
se cumple, es decir, cuando existe autocorrelación o correlación serial.
Si se relaja la hipótesis 𝑽𝒂𝒓 𝒖 = 𝝈𝟐 𝑰𝒌 de modo que 𝑽𝒂𝒓 𝒖 = 𝑽, siendo V cualquier

matriz, los parámetros estimados del modelo lineal resultan ser:
෡ = (𝑿𝟏 𝑽−𝟏 𝑿)−𝟏 𝑿𝟏 𝑽−𝟏 𝒀 𝒄𝒐𝒏 𝑬 𝑩

𝑩 ෡ = 𝑩 𝒚 ෍(𝑩
෡ ) = (𝑿𝟏 𝑽−𝟏 𝑿)−𝟏
No olvidemos que cuando se cumplían las hipótesis del modelo lineal:
෡ = (𝑿𝟏 𝑿)−𝟏 𝑿𝟏 𝒀 𝒄𝒐𝒏 𝑬 𝑩

𝑩 ෡ = 𝑩 𝒚 ෍(𝑩
෡ ) = 𝝈𝟐 (𝑿𝟏 𝑿)−𝟏

AUTOCORRELACIÓN
En presencia de autocorrelación será necesario estimar los elementos de la matriz de

varianzas covarianzas residual V. Esta tarea suele simplificarse suponiendo que las
perturbaciones aleatorias del modelo siguen un determinado esquema de comportamiento
que reduce el número de parámetros a estimar. Los esquemas más típicos son:
• Modelo autorregresivo de orden 1 AR(1) = 𝒖𝒕 = 𝒑𝒖𝒕−𝟏 + 𝒆𝒕
• Modelo autorregresivo de orden 2 AR(2) 𝒖𝒕 = 𝒑𝟏 𝒖𝒕−𝟏 + 𝒑𝟐 𝒖𝒕−𝟐 + 𝒆𝒕
• Modelo de medias móviles de orden 1 MA(1) 𝒖𝒕 = 𝒆𝒕 + 𝒑𝒆𝒕−𝟏
En el trabajo aplicado suele ser el modelo AR(1) el más utilizado, en cuyo caso tenemos:
𝒖𝒕 = 𝒑𝒖𝒕−𝟏 + 𝒆𝒕 𝝈𝟐𝒖 = 𝝈𝟐𝒆 /(𝟏 − 𝒑𝟐 )
𝑰 𝒑 𝒑𝟐 ⋯ 𝒑𝑻−𝟏 Con lo que ya conocemos V para
𝒑 𝑰 𝒑 ⋯ 𝒑𝒀−𝟐 poder estimar el modelo lineal
𝑬 𝑼 = 𝟎, 𝑽 = 𝑬 𝒖𝒖´ = 𝒑𝟐 𝒑 𝑰 𝒑𝑻−𝟑 mediante:
⋮ ⋮ ⋮ ⋮ ෡ = (𝑿𝟏 𝑽−𝟏 𝑿)−𝟏 𝑿𝟏 𝑽−𝟏 𝒀 𝒄𝒐𝒏 𝑬 𝑩
෡ =
𝑻−𝟏 𝑻−𝟐 𝑻−𝟑 ⋯ 𝟏 𝑩
𝒑 𝒑 𝒑
෡ ) = (𝑿𝟏 𝑽−𝟏 𝑿)−𝟏
𝑩 𝒚 ෍(𝑩

AUTOCORRELACIÓN
Estadístico DW de Durbin-Watson
Sirve para realizar contrastes formales de autocorrelación y se representa de la siguiente
forma:
𝑫𝑾 ≅ 𝟐 𝒔𝒊 𝝆 = 𝟎
σ𝑻𝒕=𝟐(ෝ
𝒖𝒕 − 𝒖ෝ 𝒕−𝟏 )𝟐 𝑫𝑾 ≅ 𝟎 𝒔𝒊 𝝆 = 𝟏
𝑫𝑾 = ≅𝟐 𝟏−𝝆 →
σ𝑻𝒕=𝟏 𝒖
ෝ 𝟐𝒕 𝑫𝑾 ≅ 𝟒 𝒔𝒊 𝝆 = −𝟏
Se puede adoptar la regla no demasiado rigurosa de que si DW vale 0 hay

autocorrelación perfecta positiva; si DW se aproxima a 2 no hay autocorrelación y si DW
se aproxima a 4 hay autocorrelación perfecta negativa. No obstante DW se encuentra
tabulado, y según la franja en la que caiga su valor, se acepta o rechaza la hipótesis de
autocorrelación.

AUTOCORRELACIÓN
Estadístico DW de Durbin-Watson
En la tabla de DW elegimos la columna relativa a k (número de variables en el modelo) y la
fila relativa a T (tamaño muestral), lo que nos da los valores 𝒅𝑳 y 𝒅𝑼 . Se tiene:
𝐷𝑊 < 𝑑𝐿 → 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝜌 = 0 𝑦 𝑠𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝜌 > 0.

𝐷𝑊 > 4 − 𝑑𝐿 → 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝜌 = 0 𝑦 𝑠𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝜌 < 0
𝑑𝑈 < 𝐷𝑊 < 4 − 𝑑𝑈 → 𝑠𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝜌 = 0
4𝑑𝑈 < 𝐷𝑊 < 4 − 𝑑𝐿 ó 𝑑𝐿 < 𝐷𝑊 < 𝑑𝑈 → 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛
La presencia de autocorrelación en un modelo

suele solventarse mediante el método de
Cochrane-Oreutt o mediante la introducción
de variables dummy u otro tipo de variables
adecuadas en el modelo.

HETEROSCEDASTICIDAD
EL PROBLEMA DE LA HETEROSCEDASTICIDAD Y SU DETECCIÓN
Para analizar la heteroscedasticidad de un modelo suele comenzarse por el análisis de

los residuos, siendo esenciales las gráficas de los residuos (a poder ser estudentizados)
respecto de la variable endógena y respecto de las exógenas, que deben de una
estructura aleatoria libre de tendencia. El gráfico de los residuos contra cada variable
exógena permite detectar corno variable más culpable de heteroscedasticidad apella
cuyo gráfico se sepan más de la aleatoriedad. También es un instrumento gráfico la
gráfica de valores Observados contra valores predichos, cuyos puntos han ser lo
ajustados posible a la diagonal del primer cuadrante. Aparte del análisis gráfico es
realizar contrastes formales de heteroscedaslicidad, entre los que destacan Goldfeld-
Quandt. Glesjer, Breush-Pagan, White, GARCH, ARCH y RESET de Ramsey.

HETEROSCEDASTICIDAD
Contraste de Glesjer
Se estiman los residuos del modelo u, por MCO y se realiza la regresión:
𝒖𝒕 = 𝒅𝟎 + 𝒅𝟏 𝒁𝒉𝒊 + 𝒓𝒊 , 𝒁𝒊 = 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒖𝒍𝒑𝒂𝒃𝒍𝒆, 𝒉 = 𝟏, −𝟏 ó 𝟏/𝟐
Contrastar 𝒅𝟏 = 𝟎 en el modelo anterior es equivalente a contrastar la hipótesis

homoscedasticidad en el modelo inicial.
Contraste de Breas h -Pagan
Se utiliza cuando la varianza no constante de las perturbaciones puede expresarse

como 𝝈𝟐𝒊 = 𝒉(𝒁𝒊 ´𝒂) siendo h una función y Z, un vector con las variables que
producen la heteroscedasticidad. Si a= 0 la varianza es constante.

HETEROSCEDASTICIDAD
SOLUCIONES PARA LA HETEROSCEDASTICIDAD

Para resolver el problema de heteroscedasticidad es necesario realizar la estimación por
MCC; (Mínimos Cuadrados Generalizados) o utilizar el método de los Minimos Cuadrados
en dos fases (dos etapas) con variables instrumentales.
Pero si la estructura de la varianza de las perturbaciones es conocida, se facilita el
cálculo de los estimadores. Si se puede suponer aproximadamente que 𝜎𝑖2 = 𝑓(𝑍𝑖 )
siendo 𝑍𝑖 un vector de variables que incluye una o varias variables exógenas de la
regresión y f una función cualquiera, entonces puede reducirse la estimación MCG a
MCO (Mímimos Cuadrados Ordinarios) .
Entre las estructuras típicas de la varianza tenemos 𝝈𝟐𝒊 = 𝝈𝟐 𝑿𝒋𝒊 , 𝝈𝟐𝒊 = 𝝈𝟐 𝑿𝟐𝒋𝒊 , 𝝈𝟐𝒊 = 𝒂 +
𝒃𝑿𝒋𝒊 𝒚 𝝈𝟐𝒊 = 𝐞𝐱𝐩(𝒁𝒊 ´𝒂) siendo las dos primeras las más comunes y la tercera una
translación de la primera. En estos casos la regresión MCG coincide con la MCO usando
𝟏
como ponderaciones los valores 𝑿 𝑦 𝟏/𝑿𝟐𝒋𝒊 o sea los inversos de los elementos de la
𝒋𝒊
diagonal de σ .

HETEROSCEDASTICIDAD
Si la estructura de la varianza es 𝜎𝑖2 = 𝜎 2 𝑋𝑗𝑖 , el modelo se transforma dividiendo sus

1/2
términos por 𝑋𝑗𝑖 de modo que estimaríamos por MCO el modelo:
𝑌𝑡 𝛽1 𝛽2 𝛽𝑘 𝑢𝑡
= + + ⋯+ +
𝑋𝑗𝑡 𝑋𝑗𝑡 𝑋𝑗𝑡 𝑋𝑗𝑡 𝑋𝑗𝑡
En general, para resolver el problema de heteroscedasticidad es conveniente tomar

logaritmos. También pueden suprimirse las variables más culpables con justificación
estadística y económica o introducir variables dummy adecuadas.

HETEROSCEDASTICIDAD
Para detectar la mejor forma funcional que

sigue la varianza, se ajustan distintos
modelos para las distintas formas
funcionales del tipo siguiente:
𝑢ො 𝑡 = 𝑎 + 𝑏 𝑋𝑗𝑡 + 𝑒𝑡
𝑢ො 𝑡 = 𝑎 + 𝑏𝐿𝑛𝑋𝑗𝑡 + 𝑒𝑡
1
𝑢ො 𝑡 = 𝑎 + 𝑏 + 𝑒𝑡
𝑋𝑗𝑡

MULTICOLINEALIDAD
EL PROBLEMA DE LA MULTICOLINEALIDAD Y SU DETECCIÓN
En el modelo lineal Y = X B + u, suponíamos una serie de hipótesis entre las que se

encontraban que las variables 𝑿𝟏, 𝑿𝟐 , … , 𝑿𝒌 , son linealmente independientes, es decir, no
existe relación lineal exacta entre ellas. Esta hipótesis se denomina hipótesis de
independencia, y cuando no se cumple, decimos que el modelo presenta
multicolinealidad.
En caso de multicolinealidad, al tener fuerte asociación lineal entre las

variables explicativas X'X tendría determinante 0 y no existiría
(𝑿´𝑿)−𝟏 con lo que no se podría calcular el vector de estimaciones de
los parámetros (𝑿´𝑿)−𝟏 𝑿´𝒀.

MULTICOLINEALIDAD
Síntomas más comunes de multicolinealidad tenemos los siguientes:

• Valores altos en módulo en la matriz de correlaciones.
• poca significatividad de las variables X y a la vez 𝑹𝟐 alto.
• Gran significatividad conjunta del modelo (gran rechazo de𝑅2 = 0 ).
• Fuerte influencia en las estimaciones de la eliminación de una observación
en el conjunto de datos.
𝝀𝒎𝒂𝒙 𝟏/𝟐
• Valores propios 𝝀𝑰 , de X´X cercanos a cero o índice condición ( ) la
𝝀𝒊
inferior a 30.
Soluciones más comunes para la multicolinealidad tenemos:

• Ampliar la muestra.
• Transformar las variables adecuadamente.
• Suprimir algunas variables con justificación estadística y económica.
• Sustitución de las variables explicativas sus componentes principales más
significativas (puntuaciones).

Técnicas de Dependencia y Modelos Econométricos: Profesor

Cargado por

Información del documento

Título original

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

Técnicas de Dependencia y Modelos Econométricos: Profesor

Cargado por

Copyright:

Formatos disponibles

Técnicas de dependencia

Dr. Elías Alvarado Lagunas

1. Análisis canónico (correlación canónica)

2. Modelo de elección discreta

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

En los modelos econométricos (métodos de la dependencia)

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

¿QUÉ ES EL ANÁLISIS CANÓNICO?

Es una generalización de la regresión múltiple en el sentido de analizar la relación entre

Esa técnica también puede extenderse al caso de variables dependientes o

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

¿QUÉ SON LOS MODELOS DE ELECCION DISCRETA?

Se observa que si F es la función de distribución de una

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

¿QUÉ ES LA REGRESIÓN MÚLTIPLE?

Analiza la relación entre una variable dependiente (o endógena) métrica y

La expresión funcional del análisis de la regresión múltiple es

La regresión múltiple admite la posibilidad de trabajar con variables

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

Los coeficientes (parámetros) 𝒃𝟏 , 𝒃𝟐 … , 𝒃𝒌 denotan la magnitud del efecto que las

𝒀𝒕 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏𝒕 + 𝒃𝟐 𝑿𝟐𝒕 + ⋯ + 𝒃𝒌 𝑿𝒌𝒕 + 𝝊𝒕 𝒕 = 𝟏, 𝟐, 𝟑, … , 𝑻

La aparición (no necesaria) de un término independiente en el modelo puede

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

Suponiendo que la relación entre la variable Y sobre el conjunto de variables

Formulamos el modelo lineal bajo las siguientes hipótesis:

• Las variables 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝑲 son deterministas (no son variables aleatorias), ya que su

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

• La variable Y es aleatoria, ya que depende de la variable aleatoria u.

• También se supone la ausencia de errores de especificación, es decir, que suponemos

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

• Las variables 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝑲 son linealmente

• A veces también se considera la hipótesis de

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

ESTIMACIÓN DEL MODELO LINEAL DE REGRESIÓN MÚLTIPLE

Siguiendo la siguiente representación (Regresión múltiple):

𝒀𝒕 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏𝒕 + 𝒃𝟐 𝑿𝟐𝒕 + ⋯ + 𝒃𝒌 𝑿𝒌𝒕 + 𝝊𝒕 𝒕 = 𝟏, 𝟐, 𝟑, … , 𝑻

𝑺 𝒃𝟎 , 𝒃𝟏 , … 𝒃𝒌 = ෍ 𝒆𝟐𝒕 = ෍(𝒚𝒕 − (𝒃𝟎 + 𝒃𝟏 𝒙𝟏𝒕 + 𝒃𝟐 𝒙𝟐𝒕 + 𝒃𝒌 𝒙𝒌𝒕 ))𝟐

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

෍ 𝑦𝑡 𝑥1𝑡 = 𝑏0 ෍ 𝑥1𝑡 + 𝑏1 ෍ 𝑥 21𝑡 + ⋯ + 𝑏𝑘 ෍ 𝑥1𝑡 𝑥𝑘𝑡

෍ 𝑦𝑡 𝑥𝑘𝑡 = 𝑏0 ෍ 𝑥𝑘𝑡 + 𝑏1 ෍ 𝑥𝑘𝑡 𝑥1𝑡 + ⋯ + 𝑏𝑘 ෍ 𝑥 2 𝑘𝑡

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

ESTIMACIÓN DEL MODELO, CONTRASTES E INTERVALOS DE CONFIANZA A TRAVÉS DEL

Ya sabemos que el modelo lineal de regresión múltiple puede escribirse de la forma:

𝒀𝒕 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏𝒕 + 𝒃𝟐 𝑿𝟐𝒕 + ⋯ + 𝒃𝒌 𝑿𝒌𝒕 + 𝝊𝒕 𝒕 = 𝟏, 𝟐, 𝟑, … , 𝑻

La expresión anterior puede representarse en forma matricial como sigue:

Abreviadamente podemos poner: 𝒀 = 𝑿𝑩 + 𝒖

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

Suma residual (SR) Cuya expresión es la siguiente:

cuadrados de los residuos ෝ𝟏𝒖

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

EL PROBLEMA DE LA AUTOCORRELACIÓN Y SU DETECCIÓN

𝒚𝟏 𝟏𝑿𝟏𝒕 𝑿𝟐𝒕 ⋯ 𝑿𝑲𝟏 𝒃𝟎 𝒖𝟏

Abreviadamente: Y = X B + u, suponiendo una serie de hipótesis entre las que se

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

El hecho de que 𝑪𝒐𝒗 𝒖𝒊 , 𝒖𝒋 = 𝟎 para todo i distinto de j se denomina hipótesis de no

Si se relaja la hipótesis 𝑽𝒂𝒓 𝒖 = 𝝈𝟐 𝑰𝒌 de modo que 𝑽𝒂𝒓 𝒖 = 𝑽, siendo V cualquier

෡ = (𝑿𝟏 𝑽−𝟏 𝑿)−𝟏 𝑿𝟏 𝑽−𝟏 𝒀 𝒄𝒐𝒏 𝑬 𝑩

No olvidemos que cuando se cumplían las hipótesis del modelo lineal:

෡ = (𝑿𝟏 𝑿)−𝟏 𝑿𝟏 𝒀 𝒄𝒐𝒏 𝑬 𝑩

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

En presencia de autocorrelación será necesario estimar los elementos de la matriz de