Documentos de Académico
Documentos de Profesional
Documentos de Cultura
100 Ejercicios Resueltos de Econometria
100 Ejercicios Resueltos de Econometria
10), donde R? es el R° de la regresi6n auxiliar de la variable explicativa jen funeidn de las demas variables explicativas. Valores propios A de X'X cercanos a cero 0 indice de condicién (Ayéx/Ays)'” mayor que 30. El contraste de Farrar-Glauber basado en el estadistico G = -[T-1-2k+5)/6]L|R. que bajo Ia hipstesis mala de no muticolinealidad es una Chi-cuadrado con k(k-1)/2 grados de libertad. 7 ‘sel tamaiio muestra, k-I el niimero de variables explicativas y Ry su matriz de correlaciones, Soluciones para la multicolinealidad Entre las soluciones més comunes para la multicolinealidad tenemos: Ampliar la muestra o transformar las variables (por ejemplo a ratios o diferencias). Suprimir algunas variables con justificacién estadistica y econémica. (© MES Paranintow 55ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS © Sustitucién de las variables explicativas por sus componentes principales mas significativas (puntuaciones). * Utilizar el modelo en diferencias vigilando la autocorrelaci6n. ‘© Usar la regresién en cadena, que ofrece como estimadores de los pardimetros (X’X+cl)' X’Y siendo ¢ una constante adecuada. La matriz de varianzas covarianzas adopta la forma o'(X'X+cl)X’X(X'X+cl)". En la prictica suele tomarse como un valor entre 0,01 y 0,1 ‘que hace que el ajuste sea bueno en cuanto a R’ y significatividad individual y conjunta, 2.4 NORMALIDAD DE LAS PERTURBACIONES 2.4.1 El problema de la falta de normalidad en los residuos Una de las hiptesis importantes a cumplir en el modelo de regresién miitiple es la normalidad de los residuos. Aunque dicha hipétesis no es necesaria para la obtencién de los estimadores de los parimetros del modelo de regresiGn por el método de los minimos cuadrados ‘ordinarios, s{es estrictamente necesaria para la realizaciGn de la inferencia en el modelo, Para probar la normalidad de los residuos puede utilizarse cualquier contraste de ajuste a ‘una distribucidn normal, por ejemplo el contraste de la Chi-cuadrado 0 el contraste de Kolmogorov-Smimov. No obstante, existen también contrastes especificos para comprobar el ajuste de un conjunto de datos a una distribucién normal, como pot ejemplo Contraste de normalidad de Shapiro y Wilks y los contrastes de normalidad de asimetrfa, curtosis_ Jarque-Bera. Contraste de normalidad de Shapiro y Wilks El contraste de Shapiro y Wilks mide el ajuste de los residuos de la regresién a una recta al dibujarla en un papel probabilistico normal. Se rechaza la normalidad cuando el ajuste es bajo, que corresponde a valores pequefios del estadistico del test. Dicho estadistico toma la expresion: donde ns*=(.x, -¥)’, h es ni2 sin es par y (n-1)/2 sin es impar. Los coeficientes a,, estén tabulados y x,) es el valor ordenado en Ia muestra que ocupa el lugar j. La distribucién de w est tabulada, y se rechaza la normalidad cuando su valor ealculado a partir de la muestra es menor que el correspondiente valor critico dado en las tablas. De todas formas, puede utilizarse el criterio del p-valor, rechazando la hipétesis nula de normalidad de los datos al nivel cuando el p-valor es menor que @ y acepténdola en caso contratio. Contrastes de normalidad de asimetria, curtosis y Jarque-Bera Estos contrastes se basan en los coeficientes de asimetria y curtosis muestrales (la muestra son los residuos del modelo). Si la hipétesis de normalidad es cierta, el estadistico del contraste, que es el coeficiente de asimetria muestral o% = ms /m,"", tiene una distribucién asintéticamente normal de media cero y varianza 6/n, siendo mr y m; los momentos muestrales centrados en la media de drdenes 2 y 3 respectivamente. Tenemos: re) 96 + © ITES-ParanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL, Este estadistico a permite contrastar la hipstesis de que los residuos provienen de una distribucién con simetrfa normal (asimetria = 0) y se basa en que si la hipstesis de normalidad es cierta, el coeficiente de asimetrfa estima un parémetro de la poblacién que es cero (el coeficiente de asimetria de una distribucién normal es cero). Para realizar el contraste se halla el valor k tal que P(d% > k) = @ siendo cel nivel de significacién establecido para el contraste. Si el valor del estadistico para los residuos es mayor que k se rechaza la hipétesis nula de simetrfa, y por supuesto la de normalidad. De Ia misma forma, si la hipotesis de normalidad es cierta, el estadistico del contraste, que es el coeficiente de curtosis muestral a= ms/m,*-3, tiene una distribuci6n asint6ticamente normal de media cero y varianza 24/n, siendo mz y my los momentos muestrales centrados en Ia media de 6rdenes 2 y 4 respectivamente aa Be-a-oio | Este estadistico @ permite contrastar Ia hipstesis de que los residuos provienen de una distribueién con curtosis normal (curtosis = 0) y se basa en que si la hipétesis de normalidad es cierta, el coeficiente de curtosis estima un pardmetro de la poblacién que es cero (el coeficiente de curtosis de una distribucién normal es cero). Para realizar el contraste se halla el valor & tal que P(a > k) = @ siendo cel nivel de significacién establecido para el ccontraste, Si el valor del estadistico a para los residuos es mayor que k se rechaza la hipstesis nula de curtosis cero, y por supuesto la de normalidad. Para muestras grandes, el contraste de Jarque-Bera usa los dos estadisticos anteriores mediante la consideracién del estadistico de Bowman-Shelton siguiente: a a ay [f-E)2 Es posible utilizar para estos contrastes (como siempre) el criterio del p-valor, rechazando Ia hipétesis nula de normalidad de los residuos al nivel & cuando el p-valor es menor que cen alguno de ellos, y aceptindola cuando el p-valor es mayor que cen los dos. Como criterio més suave sobre 1a normalidad, suele considerarse normal 1a poblacién ‘cuya muestra presenta coeficientes de asimetria y curtosis comprendidos entre ~2 y 2 2.4.2 Soluciones para la falta de normalidad en los residuos Habitualmente la falta de normalidad en los residuos suele provenir de la presencia de datos atipicos que generan una distribucién mas apuntada o no simétrica. Estos problemas en los. residuos suelen aparecer cuando se omiten variables relevantes en el modelo o cuando existe falta de linealidad en Ia especificacién del mismo. Si se arreglan previamente los problemas citados, suelen solucionarse los problemas de normalidad residual. Cuando los residuos no son normales por Ja presencia de més de una moda, los datos suelen provenir varias poblaciones, lo que puede arreglarse con la introduccién de variables ficticias en el modelo para las diferentes poblaciones, En ‘otras ocasiones, Ia solucién para la falta de normalidad es la transformacién adecuada de las variables para conseguirla, por ejemplo la transformacién de Box Cox y sus derivados. (© MES Paranintos 57ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS 2.5 NO LINEALIDAD Y ERRORES DE ESPECIFICACION La técnica de los minimos cuadrados ordinarios MCO es el caballo de batalla de los econsmetras y se utiliza de modo rutinario en el anélisis de una gran variedad de conjuntos de datos. Bajo los supuestos exigidos al modelo lineal, los estimadores mfnimo cuadréticos oseen las propiedades deseables y, por ello, pueden emplearse con fiabilidad. Sin embargo, nos enfrentamos a una pregunta crucial. {Cémo saber si los supuestos que ocultan los MCO son vilidos para un conjunto determinado de datos? {Cémo conocer las propiedades del ‘término de perturbacién no observable?%,Cémo saber qué variables incluir en la matriz X y en qué forma funcional hacerlo? Cuando alguno de los supuestos subyacentes carece de validez, {qué sucede con los estimadores MCO? {Siguen siendo titiles o resultan confusos? Existen estimadores y procedimientos de inferencia alternativos que resulten mas apropiados bajo supuestos alternativos? En este capitulo y en los siguientes responderemos a estas preguntas El error de especificacién aparece cuando alguno de los supuestos esté equivocado, Ciertos errores de especificacién tienen implicaciones menores; otros, sin embargo, las tienen muy graves. Resulta tremendamente importante estar alertado de posibles errores de especificacién y verificar su presencia. En este capitulo se estudia cémo muchas veces es necesario utilizar y desarrollar especificaciones y procedimientos de inferencia més complejos ‘que los que subyacen en la técnica de los MCO. La especificacién del modelo lineal se centra en el vector de términos de perturbaciones w y en la matriz X. Recordemos que los supuestos esenciales del modelo lineal y= XB-+u relativos a las perturbaciones son: u, son indepedientes idénticamente distribuidas N@.?) i= 1, .... m (perturbaciones normales de ruido blanco), homoscedasticidad E(u’) diaglo,... 2) 0 matriz de varianzas covarianzas residual constante), endogeneidad (E(X;u,) = 0 para todo i = 1... KY $= Ivy M0 incorrelacién entre las perturbaciones y las variables independientes) y ausencia de autocorrelacién (E(u,u,.,)=0 (8 #0) 0 ausencia de comrelaciones centre perturbaciones adyacentes). La heteroscedasticidad (ausencia de homoscedasticidad) es muy frecuente en aplicaciones con datos de corte transversal, aunque puede encontrarse también en aplicaciones con datos de series temporales. En las aplicaciones de series temporales se dan fuertes correlaciones entre perturbaciones adyacentes y, tal vez, correlaciones menores entre perturbaciones més alejadas entre s{ (autocorrelacién). De modo similar, y cuando trabajamos con datos de corte transversal, es posible que ciertas unidades compartan perturbaciones comunes. También existen en el modelo lineal supuestos relativos a la matriz X, entre los que destacan su rango pleno (ausencia de multicolinealidad), la inclusién y no exclusién de variables relevantes en X (ausencia de errores de especificaci6n en la seleccién de las variables explicativas) y problemas de especificacién de una forma funcional incorrecta para el modelo. Otro supuesto comiin es la estacionariedad de las variables del modelo. La mayoria de los procedimientos de inferencia tradicionales suponen que las variables son estacionarias. Cuando no se da este caso nos enfrentamos a procedimientos de inferencia no esténdar y nos introducimos en el campo de las variables integradas, la cointegracién, los modelos de correccién del error, etc., que se tratarén més adelante También pueden existir problemas de especificacién con f. Las especificaciones del modelo lineal asumen de forma implicita que f es un vector constante, tanto en el conjunto de observaciones actuales como en otras observaciones muestrales posibles. Estamos ante a cespecificacién de ausencia de cambio estructural que se tratara en un capitulo posterior. 58 + © ITES-PaanintoMODELOS DE REGRESION CON DATOS DE CORTE TRANSVERSAL, Las pricticas econométricas habituales formulan un modelo basado en teorfa o en anteriores descubrimientos econométricos, estiman los pardmetros del modelo mediante los datos muestrales relevantes disponibles, y examinan los estimadores resultantes y estadisticos asociados con el fin de juzgar la validez del modelo especificado. Dicho examen suele centrarse en el ajuste global, en Ia concordancia con los signos de unos coeficientes previamente supuestos, en la significacién estadfstica de los coeficientes y en la comprobacién de la autocorrelacién de las perturbaciones. Si el modelo cumple dichos critetios satisfactoriamente, Ia nueva ecuacién pasaba a engrosar la literatura de la materia y podria utilizarse para realizar predicciones con datos externos a la escala temporal o al rango empirico de Ia muestra. En caso de que el modelo se clasifique de insatisfactorio, el nvestigador seguiré intentando hallar la reformulacién que cumpla los requisitos necesatios, Actualmente existen tendencias basadas en comprobar de todas las formas posibles las especificaciones y que s6lo deberdn utilizarse aquellas que sobrevivan a este proceso de prueba y que correspondan a un modelo econémico razonable. Asi se llega a una auténtica baterfa de pruebas de diagnéstico que no pueden utilizarse ni de forma automética ni rutina ya que requieren una dosis de juicio, intuicién econémica o sentido comin, Algunos de los ccontrastes resaltan un error o errores de especificacién en particular. Otros indican que determinada especificacién no funciona bien sin sefialar explicitamente un problema preciso. Finalmente, puede ocurrir que sobrevivan a este proceso de prueba o que algunas cespecificaciones superen un cierto tipo de pruebas estadisticas pero no otras. 2.5.1 Error de especificacion en la seleccin de las variables explicativas Las especificacién mds importante del modelo lineal relativa a la matriz X es que sea tuna matriz no estocéstica de rango pleno igual a k (ausencia de multicolinealidad). Pero puede haber posibles problemas adicionales con X, entre los que destacan: 1, Exelusi6n de variables relevantes (variables omitidas). La teorfa econsmica ensefia que cel ingreso y los precios afectan conjuntamente a la demanda, por lo tanto, si aislamos el ingreso de la ecuacién de 1a demanda no esperamos obtener un buen estimador para la clasticidad del precio. Sin embargo, y en situaciones més complicadas, no suele ser tan evidente averiguar cudles son Ias variables a incorporar en una relacidn, lo que puede gar a convertirse en un importante problema de especificacién, 2. Inclusién de variables irrelevantes (redundantes). Caso contrario al anterior. Ahora, la hipétesis incluye variables que no deberian estar presentes en la ecuacidn. Este hecho tiene ciertas consecuencias sobre los procedimientos de inferencia aunque, en general, suelen ser menos graves que aquellas relacionadas con la exclusi6n de variables relevantes, Existen contrastes para observar si un modelo adolece de variables omitidas. El test de Ja razén de verosimilitud para variables omitidas permite aiadir un conjunto de variables a una ecuaci6n existente y contrastar si constituyen una contribucién significativa a la explicacién de la variable dependiente. Este contraste tiene como hipétesis mula que el cconjunto regresores adicionales no son conjuntamente significativos. ‘También existen contrastes para detectar si un modelo presenta variables redundantes. El test de la razén de verosimilitud para variables redundantes permite contrastar si_un subconjunto de variables de una ecuacién existente son conjuntamente significativas, © mejor dicho, si los coeficientes de determinadas variables del modelo van a tener valor cero, en cuyo ‘caso esas variables pueden ser eliminadas de la ecuacién del modelo, © MES Paranintos 58ECONOMETRIA, CONCEPTOS Y PROBLEMAS RESUELTOS El test de Wald para contrastar restricciones en los coeficientes de un modelo también puede utilizarse para detectar cuando una variable es redundante. Basta comprobar cuando puede considerase cero su coeficiente de modo formal a través del test citado. También es posible aplicar métodos de inclusién o exclusién automética de variables en el modelo, Partiendo de un conjunto inicial de k variables, se trata de no incluir nuevas variables irrelevantes en la definicién del modelo ni omitir variables adecuadas. El método més rudimentario serfa efectuar todas las regresiones posibles partiendo del conjunto més amplio de variables candidatas en el modelo y elegir la mejor con las variables que sean significativas. No obstante existen métodos automatizados que realizan esta tarea. El método de seleccién hacia delante (método forward) permite partir de un conjunto minimo de variables en Ia regresidn e ir incluyendo variables adecuadas en el modelo de forma sucesiva ‘comprobando la significatividad del nuevo coeficiente, El método de seleccién hacia atrds (método backward) parte de 1a regresién con todas las variables y va eliminando las no significativas por orden de significatividad hasta encontrar un modelo adecuado con todas sus variables lo suficientemente significativas. El método paso a paso (método stepwise) es un método de selecci6n hacia adelante que comprueba en cada paso, no sélo Ia significatividad del nuevo coeficiente, sino también la de las variables incorporadas en los pasos anteriores. 2.5.2 Error de especificacién en la forma funcional Puede darse el caso de que las variables incluidas en un modelo sean las correctas pero la forma funcional lineal que las relaciona sea incorrecta. A veces, el contexto de modelo lineal es suficiente para manejar el problema, pero en ocasiones no puede sostenerse la linealidad y estamos ante problemas de no linealidad. Una relacién Y = f(X,,X) puede especificarse como Y = 8, + B,X,+B,X,+u 0, como Y=, +f,X,+8,X,+7,X} +y3X}+(X,X,)+u. La segunda ecuacién ‘permite tanto una respuesta cuadritica a los regresores como un efecto de interaccién. El efecto de interaccién se basa en una nueva variable, el producto de los dos regresores. Por lo tanto, el efecto esperado de un cambio unitario en X sera, +2y, + OX, dependiendo pues de fi; y de los niveles de X2 y Xs. Del mismo modo, el efecto esperado de un cambio unitario en Xs dependers tanto del nivel de Xp, como del de Xs. Cuando el error de especificacién consiste en utilizar la primera ‘ecuacién en lugar de la segunda, aquél se corrige fiicilmente aftadiendo los términos X}, X}, y (X,X,). En otros casos, serd necesaria una especificacién intrinsicamente no lineal, Para detectar problemas de especificacién en la forma funcional suelen utilizarse los grificos de los residuos, que, ante la presencia de no linealidades, normalmente presentan tendencias que indican su falta de aleatoriedad. Los altos grados de autocorrelacién también son indicadores de la posible presencia de mala especificacién funcional en el modelo, Asimismo, es ttl realizar la representacidn de los gréficos de los residuos contra las variables explicativas y predichas con la finalidad de comprobar que son aleatorios. La falta de aleatoridad en estos grificos puede indicar la presencia de un problema de no linealidad 0 de mala especificacién funcional del modelo, La solucién para los problemas de mala especificacién del modelo pasa por introducir variables ficticias o por la definicidn alternativa de la ecuacién del modelo baséndose en la tendencia observada en los graficos residuales citados anteriormente. 60+ © ITES- Parente