Documentos de Académico
Documentos de Profesional
Documentos de Cultura
O, en notación matricial:
O autocorrelación:
5. Análisis de residuos
El método de estimación mínimo-cuadrático proporciona unos estimadores
con propiedades estadísticas buenas, según se deduce del teorema de
Gauss-Markov. Pero estas propiedades dependen de la verificación de una
serie de hipótesis a priori sobre las perturbaciones aleatorias y sobre los
restantes elementos que definen la especificación del modelo. Como las
variables aleatorias 𝜀1, 𝜀2, … , 𝜀𝑛, son no observables, es necesario
primero estimar el modelo original:
Mediante mínimos-cuadrados y, posteriormente estudiar los residuos:
6. Interpolación y predicción
Interpolar son modelos de corte trasversal, no se tiene en cuenta el tiempo,
todos los datos se toman en el mismo momento.
Una vez estimado y contrastado el modelo, se puede utilizar para estimar
valores de la variable endógena correspondientes a valores de las variables
explicativas distintos de los que han servido para obtener sus coeficientes.
Este proceso se denomina “interpolación” o, si el modelo es dinámico,
“predicción”. Es necesario disponer de los valores “futuros” para estimar
𝑦 f.
La predicción por punto se obtiene sustituyendo los valores futuros del
as variables explicativas en el modelo estimado, obteniéndose:
El valor esperado del residuo no observado es cero, aunque más
adelante, al estudiar modelos con autocorrelación, se aprovechará esta
para obtener estimaciones, que pueden ser no nulas, para el valor
esperado de los residuos futuros.
La predicción por intervalo para 𝑦𝑓 se obtiene mediante la expresión:
El error cuadrático medio ECM o MSE es el error que hemos cometido con
esa nueva muestra, es decir, la media de errores cometidos:
7. Observaciones influyentes
Las observaciones anormales (o outliers) asociadas a residuos “grandes”
pueden originar errores importantes en la estimación, desvirtuando la
interpretación económica de los coeficientes estructurales. Las
observaciones influyentes son aquellas que, si se omiten, originan cambios
importantes en el modelo.
Una vez estimado un modelo, se debe investigar qué observaciones son
anormales y cuales son influyentes en la estimación.
Una forma de detectar observaciones influyentes es usando la matriz H o
varias técnicas que se exponen a continuación. Para ello basta considerar
que: