Teoria-econometria.

pdf

Anónimo

Econometría

3º Grado en Administración y Dirección de Empresas

Facultad de Ciencias Económicas y Empresariales

Universidad de Cádiz

Reservados todos los derechos.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
 3. Tema 9. Contraste de Durbin-Watson. Página 9

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Cálculo de valores-p para contrastes t

• Valor p (p-values): Es la probabilidad máxima de error al rechazar la hipótesis nula siendo

cierta. La compararemos con el nivel de significación (α) que elijamos, normalmente 5%.

Ventajas:

• Arbitrariedad del enfoque clásico (elección de “α” por adelantado).

• La mayoría de los paquetes informáticos calculan p asumiendo un test a dos colas.

Reservados todos los derechos.

4. Tema 10. Comparativa Contrastes Intercepto por grupos, Breusch-Pagan y Hausmann.
Página 24

Contraste de diferentes interceptos por grupo. DATOS FUSIONADOS VS EFECTOS FIJOS -Nos
indicará el modelo más adecuado.

Ho: Los grupos tienen un intercepto común (DATOS FUSIONADOS)

H1: No Ho (EF)

Si p<0,05. Rechazamos Ho. Aplicaremos EF.

Test de Breusch-Pagan. DATOS FUSIONADOS VS EFECTOS ALEATORIOS. Nos indicará el modelo

más adecuado.

Ho: Var(ai)=0 (DATOS FUSIONADOS)

H1: No Ho (RE)

Si p<0,05. Rechazamos Ho. Aplicaremos RE.

Test de Hausman. EFECTOS ALEATORIOS VS EFECTOS FIJOS -Nos indicará el modelo más
adecuado.

Ho: Cov(Xitj,ai)=0 (RE)

H1: No Ho (EF)

Si p<0,05. Rechazamos Ho. No se cumplen las condiciones para RE. Aplicaremos EF.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 1.Tema 2. Insesgadez. Página 20. Solo definición. Lo preguntaría en conjunto con los
supuestos, por ejemplo: “Definición de insesgadez. Supuestos necesarios en series
transversales para asegurar la insesgadez”.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Insesgadez: el valor medio del estimador (valor esperado) coincide con el verdadero valor
poblacional.

2. Tema 2. Errores de especificación. Página 22

✓ Inclusión de variables irrelevantes o sobre-especificación:

- No tiene efectos sobre la insesgadez de los estimadores.
- Efecto indeseado sobre las varianzas de los EMCO (son más altas que en el modelo
correcto).
✓ Omisión de variables relevantes o sub-especificación:

Reservados todos los derechos.

- Estimadores sesgados.
Efecto indeseado sobre las varianzas de los EMCO (más bajas que en el modelo
correcto).

3. Tema 2. Multicolinealidad. Página 25. El cuadro y quizá formas de detectarlo

➢ Multicolinealidad (MCL): Correlación entre variables explicativas

✓ Multicolinealidad perfecta. R2j=1
✓ Multicolinealidad de grado. R2j próximo a 1

4. Tema 2. Consecuencias de la multicolinealidad. Página 26. Puede preguntarlo como dice

en la página 26, o puede preguntarlo de esta forma:

a. Explique las consecuencias sobre las estimaciones del modelo de las siguientes causas:

i. Que el coeficiente de correlación muestral entre dos variables explicativas del modelo sea
0,95.

ii. Que el coeficiente de correlación muestral entre dos variables explicativas del modelo sea
1.

iii. Que el coeficiente de correlación muestral entre una variable independiente y una
variable explicativa sea 0,5.
-De la multicolinealidad perfecta: imposibilidad de estimar el modelo se incumple uno de los
supuestos Gauss-Markov requeridos para la insesgadez (S4).

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 -De la multicolinealidad de grado: Sin consecuencias teóricas, el estimador mantiene sus
propiedades, es decir, el estimador continúa siendo insesgado (no se incumple ningún
supuesto), pero con consecuencias prácticas (altas varianzas estimadas > conclusiones de los
contrastes basados en la t de student no fiables). Es decir, tiene consecuencias sobre las
estimaciones, pero no sobre las propiedades de los estimadores.

5. Tema 4. Consecuencias de los cambios de escala en la variable dependiente. Página 5

Consecuencias de los cambios de escala en la variable dependiente:

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
-Se producen cambios en los coeficientes de las variables explicativas. El efecto e
interpretación es independiente de la forma en que se mida la variable.

-Cambian los errores estándar, pero sin ninguna consecuencia sobre la significación estadística
del coeficiente o intervalo de confianza.

-Cambian los intervalos de confianza, pero sin consecuencias.

-Cambiar las unidades de medida no tiene ningún efecto sobre el R2.

Reservados todos los derechos.

-Una reducción en la SCR no significa una reducción del error, simplemente es consecuencia
del cambio de las unidades de medida.

6. Tema 4. Consecuencias de los cambios de escala en los regresores. Página 7.

-Si se cambia la escala de un regresor, cambia el coeficiente de ese regresor, pero no el de los
otros.

-Cambia el error estándar del regresor, pero sin ninguna consecuencia sobre la significación
estadística de su coeficiente.

-Cambian los intervalos de confianza, pero sin consecuencias.

-Cambiar las unidades de medida de un regresor no tiene ningún efecto sobre el R2.

-La SCR no cambia.

7. Tema 4. Coeficiente de determinación corregido. Páginas 17 y 18

• Es una medida de bondad de ajuste del modelo

• Se utiliza para comparar modelos que tienen la misma variable dependiente, mismo nº de
observaciones, y tengan distinto número de variables explicativas.

• No está limitado a los valores 0 y 1.

Cálculo del Coeficiente de Determinación Corregido:

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 Qué indica y qué no indica el R2 y R2 corregido

- Nos orientan sobre si los regresores son adecuados para predecir los valores de la variable
dependiente con la muestra utilizada (ajuste del modelo a la muestra).

-No nos proporciona información sobre:

• Si una variable incluida es estadísticamente significativa o relevante para explicar la

variable endógena.
• Si hay variables omitidas o faltan variables en el modelo.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
8. Tema 6. Heterocedasticidad: definición y consecuencias. Páginas 5 y 6. Sin el gráfico

La heterocedasticidad ES LA PRESENCIA DE VARIANCIA NO CONSTANTE EN LAS

PERTURBACIONES ALEATORIAS DE UN MODELO ECONOMÉTRICO. Se incumple una de las
hipótesis del modelo clásico (Homocedasticidad). En presencia de heterocedasticidad:

CONSECUENCIAS

- Los coeficientes de determinación no se ven afectados.

- El supuesto de homocedasticidad no es necesario para demostrar la insesgadez de
los estimadores, luego siguen siendo insesgados y consistentes.

Reservados todos los derechos.

- Las variancias de los estimadores son sesgadas y por tanto los contrastes basados
en el estadístico t y F no son válidos. Tampoco los intervalos de confianza.
- Los estimadores no son eficientes

9. Tema 7. Pseudo R cuadrado de McFadden. Página 15.

1. Tema 2. Bondad de ajuste. Página 19 (Añadir que el ajuste es bueno +50% en

transversales y 90% en temporales)
➢ ¿Cómo de bien se ajusta la regresión de la muestra a los datos de la muestra?
➢ El coeficiente de determinación (R2) es una medida de bondad de ajuste del modelo.
➢ Características:
• Se obtiene a partir del análisis de la varianza
• Varía entre 0 y 1.
• La comparación de la bondad del ajuste entre dos modelos implica el uso de la
misma variable endógena, el mismo nº de observaciones y variables explicativas.

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
2. Tema 4. Coeficientes Beta. Página 9.
➢ Utilidad: Permite comparar los parámetros con una unidad de medida homogénea
(en término de desviaciones típicas o estándar).
➢ Obtención:

Reservados todos los derechos.

1. Se estandarizan todas las variables involucradas (dependiente e
independientes).

2. Se estima el modelo con las nuevas variables estandarizadas.

3. Interpretación: Un aumento de una desviación típica en x, producirá un

cambio de “beta” desviaciones típicas en y, ceteris páribus.

3. Tema 4. RESET. Página 16 (De teoría es menos importante, pero hay que aprenderlo
por si pide regresión auxiliar en práctica)

RESET (REgression Specification Error Test) es una prueba general para detectar errores de
especificación en la forma funcional.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 4. Tema 4. PMAE y U de Theil. Página 20. Lo suele preguntar así:

a. En la evaluación de las predicciones de un modelo econométrico se obtuvo el

siguiente resultado. Porcentaje medio absoluto de error (PMAE):6,5%. Defina y explique
el coeficiente y obtenga una conclusión sobre la capacidad predictiva del modelo.
(Ponemos la definición, decimos que es una medida relativa para evaluar la bondad de
las predicciones, que proporciona el porcentaje medio en el que se desvían las
predicciones respecto a los valores reales, ponemos la tabla 0-5, 5-10, +10, y concluimos
en este caso con el 6,5% que es capacidad predictiva aceptable)

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Reservados todos los derechos.
5. Tema 5. Término de interacción. Página 17 y 18. No lo pregunta así, sino como la
gráfica de la página 18. En ese ejemplo, Delta0 es positivo (sale de más arriba), Delta1 es
negativo (baja la pendiente)

➢ Llamamos término de interacción al producto de dos variables explicativas

(habitualmente una ficticia por una cuantitativa).

➢ Ej. Contraste la siguiente hipótesis: Los cambios en los años de educación tienen
el mismo efecto sobre el salarios de mujeres y hombres:

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 6. Tema 6. Contraste de Breusch-Pagan. Página 11. (Añadid Regla de decisión: si Chicuadrado
experimental > Chi-cuadrado teórico, se rechaza H0, por tanto, hay heterocedasticidad)

Contraste de Breusch-Pagan:

1. Planteamiento de la hipótesis nula/alternativa

2. Cálculo del estadístico experimental:

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
oSe estima el modelo especificado por MCO y se obtienen los residuos al cuadrado.

oSe estima una relación de los residuos al cuadrado en función de todas las variables
explicativas

3.Regla de decisión

7. Tema 6. Contraste de White. Página 12. (Añadid Regla de decisión: si Chi-cuadrado

Reservados todos los derechos.

experimental > Chi-cuadrado teórico, se rechaza H0, por tanto, hay heterocedasticidad)

1. Planteamiento de la hipótesis nula/alternativa

2. Cálculo del estadístico experimental:

oSe estima el modelo especificado por MCO y se obtienen los residuos al cuadrado.

oSe estima una relación de los residuos al cuadrado en función de todas las variables
explicativas, sus cuadrados y sus productos cruzados dos a dos y se calcula su R2.

oSe obtiene el estadístico χ2* = nR2, que se distribuye χ2k

3.Regla de decisión

8. Tema 6. Mínimos cuadrados generalizados. Página 14.

Mínimos cuadrados generalizados (MCG) Idea básica: transformar el modelo para conseguir
obtener perturbaciones homocedásticas:

- Modelo original:
- Identificar la estructura del comportamiento de la heterocedasticidad

- Transformar el modelo original (ponderar todas las variables atendiendo al patrón

de heterocedasticidad). Se divide todo el modelo por

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 - Estimar el modelo con variables transformadas.

9. Tema 7. Limitaciones de los modelos de probabilidad lineal. Página 5.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Reservados todos los derechos.
10. Tema 7. Contraste de hipótesis múltiple en modelos de respuesta binaria. Página 12.

(Los contrastes de significación individual se realizan a través del

estadístico t de la forma habitual ya conocida).

Para contrastar hipótesis múltiples:

- Se plantea hipótesis nula/alternativa.

- Se obtiene el estadístico del cociente/razón de verosimilitud (LR):

- Bajo la hipótesis nula LR se distribuye como una Chi-cuadrado con q grados de

libertad, donde q es el número de restricciones.

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 11. Tema 7. Forma de cálculo del porcentaje de predicciones correctas en modelos de

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
respuesta binaria. Página 14

Para cada i, calculamos la probabilidad estimada de que yi valga 1.

Reservados todos los derechos.

12. Tema 9. Autocorrelación y consecuencias o propiedades de los estimadores. Página 4
(definición de autocorrelación en los términos de error solamente) y Página 6 (completa)

Autocorrelación (o correlación serial) Es la correlación de una serie temporal con sus propios
valores retardados

Autocorrelación en los términos de error: Correlación entre los términos de error. Incumple
uno de los supuestos de G-M (TS5)

PROPIEDADES DELE STIMADOR MCO CON ERRORES AUTOCORRELACIONADOS

➢ Estimador insesgado y consistente independientemente del grado de

autocorrelación (TS1 a TS3 Gauss-Markov).
➢ El estimador no es óptimo en presencia de autocorrelación, ya que el Teorema de
G-M requiere: Homocedasticidad (TS4) y No Autocorrelación (TS5).
➢ Como consecuencia, se suele subestimar la varianza de los estimadores MCO,
obteniendo estadísticos de contraste erróneos lo que provoca errores en el
proceso de inferencia

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717
 13. Tema 9. Contraste de autocorrelación Breusch-Godfrey. Página 10

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
14. Tema 10. Diferencias entre datos fusionados y datos de panel. Páginas 9 y 10.

Reservados todos los derechos.

Los datos fusionados: cada periodo de tiempo estudiado se realiza un nuevo muestreo. Esta
característica hace que la perturbación aleatoria de los datos fusionados no suela presentar
autocorrelación en el tiempo.

En los datos de panel: los datos de una unidad de estudio (individuo, empresa, región, etc.)
suelen estar correlacionados en el tiempo, existiendo una serie de factores no observados fijos
en el tiempo que explican esta relación. A estos factores se les conoce como heterogeneidad
no observada y se incluye en los datos de panel mediante la variable “ai”.

¿Cuáles son las principales diferencias entre datos fusionados de sección cruzadas y datos de
panel?

Datos fusionados

•Nuevo muestreo aleatorio para cada periodo

•No suelen presentar autocorrelación en la perturbación aleatoria
•Cortes transversales apilados

Datos de panel

•Misma unidad de estudio a lo largo del tiempo.

•Series temporales apiladas.
• Presencia de factores no observados fijos en el tiempo (ai)

¿No te llega para pagar Wuolah Pro? ¿Un año sin anuncios gratis? ¡Clic aquí!
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-6589717