Apuntesdeeconometriaii 090924153320 Phpapp02

PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR
APUNTES DE ECONOMETRA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Pgina 1 31/01/2008

Fecha: 2007- 09- 06

Anlisis de la regresin mltiple: problema de la estimacin

Se analiza el modelo de tres variables: una dependiente y dos explicativas; y con
modelos lineales en los parmetros, que puedan ser o no lineales en las variables.

Cabe anotar que el texto de Damodar Gujarati, posee un diferenciacin con la
notacin universal.

Modelo de tres variables: notacin y supuestos

La FRP:
i i i i
u X X Y + + + =
2 2 1 1 0
| | | en donde
2 1
| | y son los cocientes de regresin
parcial. Los supuestos fundamentales son:

Supuesto 1: El valor medio de las perturbaciones
i
u es igual a cero.

i
u E( \ ) ,
2 1 i i
X X = 0 Se habla de las perturbaciones, es decir distancias.

Supuesto 2: No existe autocorrelacin entre las distribuciones
i
u .

i
u Cov( \ )
j
u = 0 Cuando se habla de distribuciones queremos referirnos a una
curva de distribuciones.

Supuesto 3: Homoscedasticidad o igual varianza en las distribuciones de
i
u .

) (
i
u Var =
2
o

Supuesto 4: La covarianza entre la distribucin
i
u y cada variable X es igual a
cero.

) , (
1i i
X u Cov = ) , (
2i i
X u Cov = 0

Supuesto 5

El modelo de regresin est correctamente especificado

Supuesto 6

No hay multicolinealidad perfecta entre
1
X y
2
X .

Cuando hay multicolinealidad, el software no nos proporciona un resultado
En matrices para obtener los reagresores hay que dividir para los
determinares de esa matriz.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Linealmente Independientes:

Linealmente Dependientes:

Cuando dos vectores utilizan la misma lnea de accin los dos son linealmente
dependientes.

Multicolinealidad perfecta existe cuando las variables
1
X y
2
X son linealmente
dependientes.

0
2 2 1 1
= +
i i
X X
i i
X X
2
1
2
1
|
|
.
|
\
|
=

Por ejemplo: si
i i
X X
1 2
2 =

( )
i i i i
X X Y | | | + + + =
1 2 1 1 0
2

1
v
2
v
2 ??? 1
v v
1
v
2
v
1 2
2v v =
0 2
1 2
= v v

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

( )
i i i
i i i
i i i i
X Y
X Y
X X Y
o |
| | |
| | |
+ + =
+ + + =
+ + + =
1 0
1 2 1 0
1 2 1 1 0
2
2

Donde ( )
2 1
2| | o + = , no hay forma de estimar la influencia separada de
i
X
1
y
i
X
2
sobre Y.

En la prctica, en los datos para el anlisis emprico siempre habr un nivel de
correlacin entre las variables explicativas; lo que re requieres es que no sean
exactas.

Fecha: 2007- 09-11

Estimacin de los Coeficientes de Regresin Parcial

Traer el ejercicio de la tabla 6.4

La FRP en este caso es la siguiente:
i i i i
u X X Y + + + =
2 2 1 1 0
| | |

Notacin Universal:
1
| y
2
| corresponden a la primera y segunda variable
respectivamente. En el texto de Damodar Gujarati existe una diferencia, en cuanto a la
notacin.

La FRM es la siguiente:

i i i i
u X X Y

2 2 1 1 0
+ + + = | | | ,

donde
i i i
X X Y
2 2 1 1 0

| | | + + = ,

y
i i i
Y Y u
= .

Entonces, mediante la utilizacin del mtodo de Gauss:

+ + =
=
=
= =
c
c
= =
i i i
i i i
i i i
i i i
i
i i i i i i
X X n Y
X X n Y
X X Y
X X Y
u
X X Y Y Y u
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
0
2
2
2 2 1 1 0
2 2

0

0 )

(
0 ) 1 )(

( 2
) (
)

( )
( ) (
| | |
| | |
| | |
| | |
|
| | |

Primera Ecuacin Normal
Es necesario igualar a cero.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

+ + =
=
=
= =
c
c
i i i i i i
i i i i i i
i i i i
i i i i
i
X X X X X Y
X X X X X Y
X X X Y
X X X Y
u
1 2 2
2
1 1 1 0 1
1 2 2
2
1 1 1 0 1
1 2 2 1 1 0
1 2 2 1 1 0
1
2

0

0 ) )(

(
0 ) )(

( 2
) (
| | |
| | |
| | |
| | |
|

+ + =
=
=
= =
c
c
2
2 2 2 1 1 2 0 2
2
2 2 2 1 1 2 0 2
2 2 2 1 1 0
2 2 2 1 1 0
2
2

0

0 ) )(

(
0 ) )(

( 2
) (
i i i i i i
i i i i i i
i i i i
i i i i
i
X X X X X Y
X X X X X Y
X X X Y
X X X Y
u
| | |
| | |
| | |
| | |
|

Resolviendo el sistema de ecuaciones llegamos a:

En el semestre pasado tenamos dos ecuaciones con dos incgnitas, ahora tenemos tres ecuaciones y tres
incgnitas su resolucin es imposible. Para resolver se debe hacer desviaciones con respecto a la media.

2 2 1 1 0

X X Y | | | =

( )( ) ( )( )
( )( ) ( )
2
2 1
2
2
2
1
2 1 2
2
2 1
1
i i i i
i i i i i i i
x x x x
x x x y x x y

= |

( )( ) ( )( )
( )( ) ( )
2
2 1
2
2
2
1
2 1 1
2
1 2
2
i i i i
i i i i i i i
x x x x
x x x y x x y

= |

Varianzas y errores estndar de los coeficientes de regresin parcial

( ) ( ) ( )
( )( ) ( )
2
2
2 1
2
2
2
1
2 1 2 1
2
1
2
2
2
2
2
1
0
2
1
)
( o |
|
|
.
|
\
|
+
+ =

i i i i
i i i i
x x x x
x x X X x X x X
n
Var

( )
( )( ) ( )
2
2
2 1
2
2
2
1
2
2
1
)
( o |
|
|
.
|
\
|
=

i i i i
i
x x x x
x
Var

( )
( )( )
|
|
.
|
\
|
=

2
2
2
1
2
2 1 2
12
i i
i i
x x
x x
r

Segunda Ecuacin Normal
Tercera Ecuacin Normal
2
2i
x va a ser pasado a dividir.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
( )
( )
( )
( )
( )
( )( ) |
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
2
2
2
1
2
2 1 2
1
2
2
1
2
2 1 2
1
2
1
1 *
)
(
i i
i i
i
i
i i
i
x x
x x
x
x
x x
x
Var
o o
|

( )( )
|
|
.
|
\
|
2
12
2
1
2
1
1
)
(
r x
Var
i
o
|

( )
( )( ) ( )
2
2
2 1
2
2
2
1
2
1
2
)
( o |
|
|
.
|
\
|
=

i i i i
i
x x x x
x
Var

( )( )
|
|
.
|
\
|
2
12
2
2
2
2
1
)
(
r x
Var
i
o
|

( ) ( )
|
|
.
|
\
|

=

2 / 1
2
2
2 / 1
2
1
2
12
2 2
12
2 1
) 1 (
)
(
i i
x x r
r
Cov
o
| |

) 3 (
2
2
=

n
u
i
o

Propiedades de los estimadores de MCO

1. La recta de regresin pasa por las medias de
2 1
, , X X Y ; en general:

i ki k i i
u X X X Yi + + + + + = | | | | ...
2 2 1 1 0

k k
X X X Y | | | |
...

2 2 1 1 0
=

2. La media de Y
es igual a la media de los Y observados Y .

i i
X X i Y
2 2 1 1 0

| | | + + =

i i
X X X X Y i Y
2 2 1 1 2 2 1 1

)

(
| | | | + + =

( ) ( )
2 2 2 1 1 1

X X X X Y i Y
i i
+ + = | |

i i
x x Y i Y
2 2 1 1

| | + + =

+ + =
i i
x x Y n i Y
2 2 1 1

| |
Es 3 por que tenemos tres regresores.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

0 0
2 1
= =
i i
x x

Y n i Y =
=Y Y
n
i
1

Nota:

( )
i i i
x x Y Y
2 2 1 1

| | + =

i i i
x x y
2 2 1 1

| | + =

i i i
u y y + =

i i i i
u x x y

2 2 1 1
+ + = | |

3. La media de los residuos
i
u es cero.

|
|
|
|
.
|
\
|
+ + =
|
.
|
\
|
=
. . . .
.
2
2 2 1 1 0
2
i i i
i
i i
X X Y Y Y | | |

( ) 0 1 2
2 2 1 1 0
0
2
=
|
|
|
.
|
\
|
+ + =
c
|
|
.
|
\
|
c
. . .
.
.
i i i
i
X X Y | | |
|
|
|
|
.
|
\
|
+ +
. . .
i i i
X X Y
2 2 1 1 0
| | |

=
|
.
|
\
|

.
0
i i
Y Y

= 0
i
u


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

4. Los residuos
i
u no estn correlacionados con los residuos
i
X
1
y
i
X
2

( ) 0 2
1 2 2 1 1 0
1
2
=
|
.
|
\
|
=
c
|
|
.
|
\
|
c
. . .
.
.
i i i i
i
X X X Y
u
| | |
|

( ) 0
1 2 2 1 1 0
=
|
.
|
\
|

. . .
i i i i
X X X Y | | |

( ) 0
1
=
|
.
|
\
|

.
i
i
i
X Y Y

0
1
=
.
i
i X u

( ) 0 2
2 2 2 1 1 0
2
2
=
|
.
|
\
|
=
c
|
|
.
|
\
|
c
. . .
.
.
i i i i
i
X X X Y
u
| | |
|

( ) 0
2 2 2 1 1 0
=
|
.
|
\
|

. . .
i i i i
X X X Y | | |

( ) 0
2
=
|
.
|
\
|

.
i
i
i
X Y Y

0
2
=
.
i
i X u

5. Los residuos
i
u no estn correlacionados con ( )
i i
Y y
.

i i i
x x y
2 2 1 1
. . .
+ = | |

. . . . .
|
.
|
\
|
+ =
i i i i i
x x y | |
2 2 1 1

. . . .
+ =
i i i i
x x y
2 2 1 1
| |

0
1 1
=
.
i
x |

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

0
2 2
=
.
i
x |

0 =
. .
i i
y

6. De las ecuaciones para obtener las varianzas de
2 1
| | se observa que a medida que

2
12
r se
acerca a 1, las varianzas aumentan y tienden hacia el infinito, que es el caso de la
multicolinealidad perfecta.

Fecha: 2007- 09-15

Coeficiente de Determinacin R
2
: Mide el porcentaje de explicacin de las variables
independientes sobre la dependiente, es decir indica cun cerca est Y
de Y:
STC = SEC +SRC

+ =
2 2 2

i i i
u y y

= =
2
2
2
i
i
y
y
STC
SEC
R

Si SRC = 0 SEC = STC 1
2
= R Ajuste perfecto.

Si SRC 0 SEC < STC 1
2
< R Porcentaje de ajuste.

1 0
2
s s R

= =
=
2
2
2
1 1
i
i
y
u
STC
SRC
STC
SRC STC
R

) 3 (
2
2
=

n
u
i
o

2 2
) 3 ( o =
n u
i

) 1 (
2
2
=

n
y
Sy
i

2 2
) 1 ( Sy n y
i
=

2
2
2
) 1 (
) 3 (
1
Sy n
n
R
=
o

La raz cuadrada de R
2
es el coeficiente de correlacin, que es una medida del grado de
asociacin entre Y, y todas las variables explicativas conjuntamente, que en la prctica
tiene poca importancia.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

El R
2
ajustado (
2
R )

Una propiedad importante del R
2
es que a medida que aumenta el nmero de variables
explicativas, aumenta casi invariablemente hacia 1.

= =
2
2
2
1 1
i
i
y
u
STC
SRC
R

La ( )

=
2
2
Y Y y
i i
, es independiente del nmero de variables explicativas; es decir
si en un modelo aumenta, la
2
i
y permanece constante. Pero la
i
u a medida que
aumenta el nmero de variables explicativas, disminuye.

Para comparar dos R
2
se debe tomar en cuenta el nmero de variables explicativas en el
modelo; esto se puede hacer con el R
2
ajustado (
2
R ).

=
) 1 /(
) /(
1
2
2
2
n y
k n u
R
i
i

Donde k es igual al nmero de regresores en el modelo incluyendo la interseccin. El
trmino ajustado significa ajustado por los grados de libertad.

2
2
2
1
Sy
R
o
=

Donde
2
o es la varianza homocedstica de la regresin y
2
Sy es la varianza muestral
de Y.

) 1 /(
) /( ) (
1
) 1 /(
) /(
1
2
=
n STC
k n SEC STC
n STC
k n SRC
R

( )
( )
(
|
.
|
\
|
=
k n
n
STC
SEC
R
1
1 1
2

( )
( )
( )
(
=
k n
n
R R
1
1 1
2 2

Si k=1es decir el modelo sin interseccin de la regresin simple
2 2
1
); 0
( R R = = |


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Si k>1 a medida que aumenta el nmero de variables explicativas el
2
R aumenta
menos que el R
2
.

En trminos generales, la finalidad de un modelo de regresin no es maximizar el R
2
.
Un R
2
elevado no es evidencia en favor del modelo, y un R
2
bajo no es evidencia en su
contra.

Ejemplo: Considerando la informacin de la tabla 6.4:

EQ01: MI C PIB TAF

MI = 263,6416 0,005647PIB 2,231586TAF
(11,59318) (0,002003) (0,209947)
22,74109 -2,818703 -10,62927

R
2
= 0,707665
2
R

= 0,698081

Incrementos en el PIB y en el TAF ejercen impactos negativos en la MI. Si el PIB se
incrementa en 100usd, manteniendo a la TAF constante, el nmero de muertes de nios
menores de 5 aos se reducir 5,6 por cada 1000 nacimientos vivos.

Si la TAF sube en un 1% manteniendo al PIB constante, el nmero de muertes de nios
menores de 5 aos disminuiran a 2,23 por cada 1000 nacimientos vivos.

1
|

y
2
|
se conocen como los coeficientes de regresin parcial, veamos como se puede
visualizar.

Eliminemos la influencia que TAF ejerce sobre la mortalidad infantil y el PIB.

EQ02: MI C TAF

MI = 263,8635 2,390496TAF
(12,22499) (0,213263)
21,58395 -11,20917

R
2
= 0,669590
2
R

= 0,664261

EQ03: PIB C TAF

PIB = -39,30328 + 28,14268TAF
(734,9526) (12,82111)
-0,053477 2,195027

R
2
= 0,072108
2
R

= 0,057142

Si ahora se hace la regresin de R02 SOBRE R03, que estn purificadas de la
influencia de TAF.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

EQ04: R02 R03

R02 = -0,005647R03
(0,001971)
-2,864538

R
2
= 0,115238
2
R

= 0,115238

Que es el regresor del PIB en la regresin multivariada (EQ01). Por otro lado,
eliminando la influencia que el PIB ejerce sobre la MI y TAF.

EQ05: MI C PIB

MI = 157,4244+ 0,011364PIB
(9,845583) (0,003233)
15,98935 -3,515661

R
2
= 0,166217
2
R

= 0,152769

EQ06: TAF C PIB

TAF = 47,59716 + 0,002562PIB
(3,555330) (0,001167)
13,38755 2,195027

R
2
= 0,072108
2
R

= 0,057142

EQ07: R05 R06

R05 = -2,231586 R06
(0,206588)
-10,80212

R
2
= 0,649388
2
R

= 0,649388

Que es el regresor de la TAF en el caso multivariado. Ya que la regresin de R05 sobre
R06 estn purificadas de la influencia del PIB.

Fecha: 2007- 09 -18
Sirealizamoselmodeloconvaraiblesestandarizadasconelejercicio7.1,tenemos:
seriesmi1=(mi-@mean(mi))/@stdev(mi)
seriespib1=(pib-@mean(pib))/@stdev(pib)
seriestaf1=(taf-@mean(taf))/@stdev(taf)


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
EQ08:mi1pib1taf1
mi1=-0,0202570pib10,76388taf1
(0.071285) (0.071285)
-2.841713 -10.71604

R
2
= 0.707665
2
R = 0.702950

Si TAF permanece constante, un incremento de una desviacin estndar del PIB, propicia una
disminucin de 0.02026 desviaciones estndar de MI, si PIB permanece constante; un
incremento de una desviacin estndar de TAF propicia una disminucin de 0.7639
desviaciones estndar de MI.

Volviendo a la regresin original EQ01.

( )
2
2
2
2
2
97807 . 75 63
) 74780 . 41 ( 61
1
) 1 (
) 3 (
1 =
=
.
Sy n
n
R
o

El numerador viene del S.E. of regresios y el denominador S.D.Dependent var.
Examen con 5 cifras decimales.

707665 . 0
2
= R

2
2
2
2
2
) 97807 . 75 (
) 74780 . 41 (
1 1 = =
.
Sy
R
o

698081 . 0
2
= R

( ) ( )
(
=
(
=
61
63
707665 . 0 1 1
) (
) 1 (
1 1
2
2
k n
n
R R

698081 . 0
2
= R
.
Cobb Douglas, es una relacin entre la remuneracin del trabajador y la inversin en
activos fijos La nica manera de obtener la elasticidad, es mediante la utilizacin de las
funciones Cobb Douglas.

Introduccin al sesgo de especificacin: Control de lectura
Comparacin de dos valores de R
2
: Control de lectura, incluyendo el ejemplo 7.2

La funcin de produccin COBB-DOUGLAS:

i
e X AX Y
i i i
| |
2 1
2 1
=


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
En donde Y= producto,
1
X = trabajo,
2
X = capital, = perturbacin estocstica y e=
base del logaritmo natural.

Y
X
X
Y
X
X
Y
Y
E
YX
1
1
1
* /
1
c
c
=
c c
=

1
2 1
1 2
1
1 1
2 1
2 1
|
|
| |
| |
= =

i
i
e X AX
X e X X A
i i
i i i

Y
X
X
Y
X
X
Y
Y
E
YX
2
2
2
2
*
2
c
c
=
c
c
=
2
2 2 1
2 2 2 1
* *
* *
1 2 1
1 2 1
|
|
| |
| |
= =

i
u
i i
i
u
i i
X e X AX
X e X AX
i
i

i i i i
u X X A Y + + + =
2 2 1 1
ln ln ln ln | |

i i i i
u X X Y + + + =
2 2 1 1 0
ln ln ln | | |

1
| es la elasticidad del producto respecto al insumo trabajo; mide el cambio porcentual
en la produccin debido a una variacin del 1% en el insumo trabajo, manteniendo el
insumo capital constante.
2
| es la elasticidad del producto respecto al insumo capital,
manteniendo constante al insumo trabajo.
Por otro lado, si (
1
| +
2
| )<1, rendimientos decrecientes; si (
1
| +
2
| )=1, rendimientos
constantes a escala; si (
1
| +
2
| )>1, rendimientos crecientes.

Ejemplo: Consideremos la informacin de la tabla 7.3.

Y = 4874.204, X
1
= 14.80656,

X
2
=

7335.481

EQ01:LYCLX1LX2
LY=-3.337389+1.498783LX1+0.48975LX2
(2.453107) (0.540596) (0.102193)
-1.360474 2.772465 4.79231

R
2
= 0.888713
2
R = 0.870165

En el sector agrcola taiwanes, manteniendo constante el capital, un aumento del 1% en
el trabajo condujo a un incremento de 1.5% del producto. De igual manera con el
capital. La suma de las elasticidades es 1.9885. lo que ubica a Taiwn en la regin de
rendimientos crecientes. Modelos de regresin polinomial: Control de lectura,
incluyendo los ejemplos 7.4 y 7.5.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

FECHA: 2007- 09- 20

Coeficientes de Correlacin Parcial

Recordemos que el coeficiente de correlacin es una medida del grado de asociacin lineal entre dos (2)
variables. En el modelo con tres variables se pueden obtener tres coeficientes de correlacin:

-
01
r , entre Y y
1
X (Y es la variable 0 y
1
X la variable1)
-
02
r , entre Y y
2
X (Y es la variable 0 y
2
X la variable2)
-
12
r , entre
1
X y
2
X

Si la definicin es grado de definicin es de forma binaria tengo tres coeficientes de correlacin.

Indicadores que se denominan coeficientes de correlacin simple o de orden cero. Los coeficientes de
correlacin de orden cero pertenecen a la correlacin simple. Los cuales permiten el clculo de los
coeficientes de correlacin de primer orden (u rdenes mayores). Los coeficientes de correlacin de
orden cero poseen una utilidad prctica.

| |
| |
| |
2 / 1
2
02
2
01
02 01 12
0 . 12
2 / 1
2
12
2
01
12 01 02
1 . 02
2 / 1
2
12
2
02
12 02 01
2 . 01
) 1 )( 1 (
) 1 )( 1 (
) 1 )( 1 (
r r
r r r
r
r r
r r r
r
r r
r r r
r

=

=

=

2 . 01
r = coeficiente de correlacin parcial entre Y y
1
X manteniendo a
2
X constante
1 . 02
r = coeficiente de correlacin parcial entre Y y
2
X manteniendo a
1
X constante
0 . 12
r = coeficiente de correlacin parcial entre
1
X y
2
X manteniendo a Y constante

Ejemplo.- consideremos la informacin de la tabla 7.3

| |
| |
| |
187343 . 0
) 817428 . 0 1 )( 675718 . 0 1 (
) 904117 . 0 ( 822020 . 0 486671 . 0
810445 . 0
) 486671 . 0 1 )( 675718 . 0 1 (
) 697618 . 0 ( 822020 . 0 904117 . 0
624858 . 0
) 486671 . 0 1 )( 817428 . 0 1 (
) 697618 . 0 ( 904117 . 0 822020 . 0
2 / 1
0 . 12
2 / 1
1 . 02
2 / 1
2 . 01
=

=
=

=
=

=
r
r
r

En el examen final se debe hace grupo con el software e-views.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Adems, se procede con:

equation eq01.ls ly c lx2

Dependent Variable: LY
Method: Least Squares
Date: 09/20/07 Time: 09:15
Sample: 1958 1972
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 3.146467 0.911302 3.452714 0.0043
LX2 0.687405 0.090102 7.629200 0.0000

R-squared 0.817428 Mean dependent var 10.09660
Adjusted R-squared 0.803384 S.D. dependent var 0.207922
S.E. of regression 0.092196 Akaike info criterion -1.806242
Sum squared resid 0.110500 Schwarz criterion -1.711835
Log likelihood 15.54682 F-statistic 58.20470
Durbin-Watson stat 0.539611 Prob(F-statistic) 0.000004

equation eq02.ls lx1 c lx2

Dependent Variable: LX1
Date: 09/20/07 Time: 09:16
Sample: 1958 1972


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

C 4.326081 0.379931 11.38648 0.0000
LX2 0.131877 0.037564 3.510685 0.0038


Nociones Bsicas de Algebra Matricial (Leer el Apndice B)

Operaciones con vectores:

1. Dado un vector columna u de (m,1) el producto uu es la suma de cuadrados de los
elementos de u.

Ejemplo: los residuos de MCO.

A la sumatoria de los residuos al cuadrado sacamos la primera derivada e igualamos a
cero.

2. Dado un vector columna u de (m, 1), el producto uu es una matriz simtrica de (m,m).

Ejemplo: las perturbaciones estocsticas u.

| |
(
(
(
(
(
=
(
(
(
(
=
2
2 1
2
2
2 2 1
1 2 1
2
1
2 1
2
1
... *
n n n
n
n
n
n
u u u u u
u u u u u
u u u u u
u u u
u
u
u
uu

. .
u u =
(
=
(
(
(
(
(
. . .
.
.
.
. . .
2 2
2
2
1
2
1
2 1 .... n
n
n u u u
u
u
u
u u u

Propiedades de la transpuesta:

1) (A )=A
2) (A+B)= A+B
3) (AB) = BA; (ABC)=CBA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
4) Si A=A es una matriz simtrica.

) , ( ) , ( ) , ( ) , ( ) , ( ) , (
* * ) * * (
m n n p p q q p P N n m
A B C C B A =

Propiedades de la inversa:

1) ( ) A A =
1
1

2) ( ) ( )
1 1 1
1
1 1
1
;

= = A B C ABC A B AB
3) ( ) ) (
1 1
= A A

4) Si una matriz no tiene inversa, se llama singular; el determinante de la matriz es igual a cero
porque sus vectores filas o columnas son linealmente dependientes.

5) Si una matriz tiene inverso, se llama, no singular; el determinante de la matriz es diferente
de cero porque sus vectores filas o columnas son linealmente independientes.

Vectores dependientes son los que estn en la misma lnea de accin.
Vectores independientes cuando utilizan distintas lneas de accin.

6) La inversa es:

) . (
) det(
1
1
A adj
A
A =

Derivacin de matrices:

Sea Y =
n n
X a X a X a + + +
2 2 1 1

(
(
(
(
=
n
n
a
a
a
a
2
1
) 1 , (

(
(
(
(
=
n
n
X
X
X
X
2
1
) 1 , (

1) Si Y = a X

a
X
Y
=
c
c

a
X
Y
=
c
c

2) Si Y=XX

2
X X X
X
Y
= + =
c
c

X X X
X
Y
2 = + =
c
c

X
a
Y
=
c
c
X
a
Y
=
c
c

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Sea:
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
n mn m m
n
n
n
X
X
X
a a a
a a a
a a a
X X X AX X
2
1
2 1
2 22 21
1 12 11
2 1
) ,..., , (

3) Si Y = XAX A es simtrica : A = A

A X A X A X A X A X A X AX
X
Y
2 ' ) ( = + = + = + =
c
c

AX AX AX X A AX A X AX
X
Y
2 ' )' (
= + = + = + =
c
c

FECHA: 2007- 09- 25

Enfoque Matricial en el Modelo de Regresin Lineal

Modelo de Regresin de k variables explicativas

La FRP con k variables explicativas:
i ki k i i i
u X X X Y + + + + + = | | | | .........
2 2 1 1 0
que es una expresin abreviada del siguiente
conjunto de n ecuaciones simultaneas:
n kn k n n n
k k
k k
u X X X Y
u X X X Y
u X X X Y
+ + + + + =
+ + + + + =
+ + + + + =
| | | |
| | | |
| | | |
.........
.... .......... .......... .......... .......... .......... .......... ..........
.........
.........
2 2 1 1 0
2 2 22 2 12 1 0 2
1 1 21 2 11 1 0 1

Que en forma matricial
(
(
(
(
+
(
(
(
(
(
(
(
(
=
(
(
(
(
n k
kn
Esta matriz representa al sistema de ecuaciones.

Donde k es el nmero de variables explicativas y (k+1) es el nmero de regresores.
) 1 , ( ) 1 , 1 )( 1 , ( ) 1 ( n k k n n
u X Y
E

Ejemplo: Con la muestra 1

Si es que yo no incluyo la columna de unidades yo estoy haciendo un modelo que le estoy forzando a que
pase por el origen. Si yo le quito la unidad.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
(
(
(
(
(
(
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
n
u
u
1
1
0
260 1
240 1
220 1
200 1
180 1
160 1
140 1
120 1
100 1
80 1
150
155
140
120
115
110
95
90
65
70
|
|

(10,1) (10,2) (2,1) (10,1)

(10,1)

Supuestos del Modelo.

1. El valor esperado del vector de perturbaciones u es cero.
Algebraicamente: 0 ) ( =
i
u E La expectativa de E (
i
u )=
i
u
n
1

Matricialmente: 0 ) ( = u E

| | 0
0
0
0
) (
) (
) (
* ) (
2
1
2
1
=
(
(
(
=
(
(
(
=
(
(
(
=
n n
u E
u E
u E
u
u
u
E u E

Nota:
1
u en el primer nivel de ingreso,
2
u en el segundo nivel de ingreso. El promedio
de las perturbaciones estocsticas en todos los niveles de ingreso es igual a cero. Los
promedios estn sobre la funcin de regresin poblacional, si tenemos un promedio
igual a cero, ese punto est sobre la regresin de poblacin.

2. Ausencia de autocorrelacin entre las perturbaciones y presencia de la homoscedasticidad:

Algebraicamente: 0 ) ; ( ) ; ( = =
j i j i
u u E u u Cov
2 2
) ( ) ( o = =
i i
u E u Var

Matricialmente: I u u E
2
) ' , ( o =

La varianza de las distribuciones de las perturbaciones se define como:

| | | | { } ) ' , ( ) ( ) ( ) (
'
u u E u E u u E u E u Var = =

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
| |
I u u E u Var
I
u E u u E u u E
u u E u E u u E
u u E u u E u E
u u u u u
u u u u u
u u u u u
E u u u
u
u
u
E u u E
u u E u Var
n n n
n
n
n n n
n
n
n
n
2
2 2
2
2
2
2
2 1
2
2
2 2 1
1 2 1
2
1
2
2 1
2
2
2 2 1
1 2 1
2
1
2 1
2
1
) ' , ( ) (
1 0 0
0 1 0
0 0 1
0 0
0 0
0 0
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
) ' , (
) ' , ( ) (
o
o o
o
o
o
= =
=
(
(
(
(
=
(
(
(
(
=
(
(
(
(
=
(
(
(
(
=
(
(
(
(
=
=

Es la matriz de varianza covarianza de las distribuciones de las perturbaciones.

Es la matriz de var-cov de las distribuciones de las perturbaciones
i
u

3. Se establece que la matriz X consta de nmeros fijos.

4. Las columnas de la matriz X son linealmente independientes, es decir no hay multicolinealidad
perfecta. Puede existir multicolinealidad casi perfecta.

Estimacin del Modelo:

Los regresores:

La transpuesta de una suma es la suma de las transpuestas.
En matrices, no se aplica el enunciado algebraico sobre el orden de los factores no altera al producto.
Se debe mantener el orden de multiplicaciones.

La funcin de regresin de la muestra con k variables explicativas:
i ki k i i i
X X X Y | | | | ...
2 2 1 1 0
+ + + + + =
. . . .

. .
+ = | X Y
. .
= | X Y

Para obtener los regresores:


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Alg: minimizar
.
2
i

Mat: minimizar
.
.

'

|
.
|
\
|

|
.
|
\
|
=
. . .
.
| | X Y X Y
'

|
.
|
\
|

|
|
.
|
\
|
|
.
|
\
|
=
. . .
.
| | X Y X Y
'
' '

|
.
|
\
|

|
|
.
|
\
|
=
.
.
.
.
| | X Y X Y
' ' ' '

Nota: el orden es importante, no equivocarse.
|
|
.
|
\
|
+ =
.
. .
. .
.
| | | | X X Y X X Y Y Y
' ' ' ' ' ' '

( )
0 )
) (

= + + =
c
c
X X X X Y X X Y
u u
| |
|

0
= + + = | | X X X X Y X Y X

0
2 2 = + | X X Y X

|
X X Y X =

( ) ( ) ( ) ( ) Y X X X X X X X

1 1
= |

( ) ( ) Y X X X I
1
= |

( ) ( ) Y X X X
1
= |

) )( .(
) det(
1
Y X X X Adj
X X
=
.
|

La Matriz Var ()

El promedio de todos los |
es igual a | .

) ( ) (
1
Y X X X

.
= | u X Y + = |
| | u X X X X X X X u X X X X ) ( ) ( ) ( ) (
1 1 1
.
+ = + = | | |
Identidad

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

u X X X ) (
1
.
+ = | |
| | u X X X E E u X X X E E ) ( ) ( ) ( ) (
1 1
.
+ =
(
+ = | | |
) ( ) ( ) (
1
u E X X X E

.
+ = | |
| | =
.
) ( E
'
(

(
(
=
. . . . .
) ( ) ( ) ( | | | | | E E E Var
'
(
+
(
+ =

.
| | | | | u X X X u X X X E Var ) ( ) ( ) (
1 1

| || |
'
=

.
u X X X u X X X E Var ) ( ) ( ) (
1 1
|

( ) ( ) ( ) | | { }
1 1

= X X X UU X X X E Var |

Nota:

( ) | | ( ) | | ( )
1 1 1

= = X X X X X X

( ) ( ) ( ) | |
1 1

= X X X UU X X X E Var |

( ) ( ) ( ) ( )
1 1

= X X X UU E X X X Var |

( ) ( ) ( )
1 2 1

= X X X X X X Var o |

( ) ( ) ( )( )
1 1 2

= X X X X X X Var o |

( ) ( )
1 2

= X X Var o |

k n
=
.
.
.

o
'
2

Donde n es el nmero de observaciones y k es el nmero de regresores, no de variables
explicativas, cambia la dimensin de la k.

O

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
|
|
|
|
|
|
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
. . . . .
. . . . .
. . . . .
.
k k k
k
k
Var Cov Cov
Cov Var Cov
Cov Cov Var
Var
| | | | |
| | | | |
| | | | |
|
...
...
...
1 0
1 1 1 0
0 1 0 0

FECHA: 2007-09-27

Ejemplo: Con la muestra u u ' .

(
=
32200 1700
1700 10
) ( X X
(
=
205500
1110
) ( Y X

Det (XX)=330000

(

=
(

=
0000303 . 0 0051515 . 0
0051515 . 0 9757575 . 0
10 700 . 1
700 . 1 322000
330000
1
) ( X X

|
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|

=
.
.
.
1
0
508485 . 0
457575 . 24
205500
1110
0000303 . 0 0051515 . 0
0051515 . 0 9757575 . 0
|
|
|

X Y 5085 . 0 457575 . 24 + =

493 . 6 15909 . 42
8
2727 . 337
'
2
= = =
=
.
.
.
.
o

o
k n

|
|
.
|
\
|

=
|
|
.
|
\
|

=
|
.
|
\
|
.
001278 . 0 217183 . 0
0217183 . 13705 . 41
0000303 . 0 0051515 . 0
0051515 . 0 9757575 . 0
45909 . 42 var |

Var( )
(
o
| =41.13705 ee )
(
o
| =6.413817

Var( )
(
1
| =0.001278 ee )
(
1
| =0.035743

Cov )
(
1 0
| | =0.217183

Propiedades de los residuos:

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

La FRP: u X Y + = |
La FRM:
. .
+ = u X Y |
. .
= | X Y u

. .
= | X Y
.
= | X Y

1.- Los errores estimados son ortogonales (perpendiculares) a las variables explicativas.

0 ) ( ) ( = ' = ' X u u X
) ( ) )( (
(
1
Y X X X X X Y X X X Y X X Y X u X ' ' ' ' = ' ' = ' = '

| |
Y X Y X u X ' ' = '
0 = 'u X
X X X Y X X Y X X Y X u ' ' ' = ' ' ' = ' = ' | | |
( )
(
( ) | | ( ) ) ( ) (
1 1
X X X X X Y X Y X X Y X X X X Y X u ' ' ' ' = '
'
' ' ' = '

0 = ' ' = ' X Y X Y X u

SRC SEC STC SEC STC SRC + = =
* * * *
. 2

X Y u Y u + = + = |
( )( )
( )
( Y Y'
'
u Y u Y u Y u Y + + = + + =
u u u u ' Y
' Y
' Y
Y Y'
'
+ + + =
u
u )
( u Y'

X X | | = = = 0
0
u Y u

= = | X

u u Y Y Y Y

+ =

3.-SRC = STC SEC STC = SEC + SRC

u X Y
+ = |
|
X Y =

( ) u Y Y u X X Y Y )
(

+ = + = | |

( ) ( ) ( ) u u Y Y Y Y Y Y Y Y

)
+ =

Para el examen: Al final del apndice C, existe un ejercicio con tres variables.
In sesgados quiere decir que son simtricos.

4)
* *
SEC STC SEC STC SRC = =


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
) )( ( ) )( ( ) ( ) ( ) ( ) (
_
' '
_
' ' '
_
'
_
'
.
.
. . .
.
= = Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y
_
_
'
_
'
_
' '
_
_
'
_
'
_
' ' '
Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y + + + ==
.
.
.
.
.
.

|
.
|
\
|

|
.
|
\
|
=
|
.
|
\
|

|
|
.
|
\
|
=
. . .
.
.
.
.
.
.
.
Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y
_
'
_
'
' '
_
'
_
' ' ' ' '

.
.
.
.
.
.
=
_
'
_
' ' ' '
Y Y Y Y Y Y
0
= ' = ' | X u Y u 0 ' '
( = = ' =
'
u X u X u Y | |
Y Y Y Y u u

' ' = '

*NOTA: el orden es importante, no cambiarlo.

Propiedades de los estimadores de MCO:

1.- Son lineales con la variable Y:

Por definicin: ) ( ) (
1
Y X X X ' ' =

|

2.-Son insesgados:

Y X X X ' ' =
1
) (
| u X Y + = |
u X X X X X X X u X X X X ' ' + ' ' = + ' ' =
1 1 1
) ( ) ( ) ( ) ( ) (
| | |
u X X X ' ' + =
1
) (
| |
( ) | | ( ) ( ) ( ) 0
' ' ' '
= + = + =
|
.
|
\
|
.
| | | E E X X X X X X E E
| | =
|
.
|
\
|
.
E

3.-GAUSS MARKOV.- los estimadores de MCO son eficientes, es decir, tienen varianza
mnima

Supongamos que * | es cualquier otro estimador lineal de | .
| |Y C X X X + =

' ) ' ( *
1
|

Donde C es una matriz de constantes, y recordando que u X Y + = |

| || |
Cu CX u X X X
Cu CX u X X X X X X X
u X C X X X
+ + + =
+ + + =
+ + =
| | |
| | |
| |
' ) ' ( *
' ) ' ( ' ) ' ( *
' ) ' ( *
1
1 1
1


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Para que * | sea un estimador insesgado de | debe darse que CX=0 porque:

| |
| | | | | |
Cu u X X X
E
u CE CXE u E X X X E
Cu E CX E u X X X E E E
Cu CX u X X X E E
+ + =
=
+ + + =
+ + + =
+ + + =
' ) ' ( *
*) (
) ( ) ( ) ( ' ) ' ( *) (
' ) ' ( ) ( *) (
' ) ' ( *) (
1
1
1
1
| |
| |
| | |
| | |
| | |

Ahora se analiza la varianza

| || | { }
| | | |
| | | |
| | | |
| |
| |
' )
( *) (
' ) ' ( *) (
0 )' ( ' '
' ' ) ' ( ' ' ' ) ' ( ' ) ' ( ' ) ' ( ' *) (
' ) ' ( ' ' ) ' ( ) ' ( ' ) ' ( *) (
' ) ' ( ) ' ( ) ' ( ' ) ' ( ' ) ' ( ) ' ( ) ' ( ' ) ' ( *) (
' ' ) ' ( ' ' ' ' ) ' ( ) ' ( ' ' ) ' ( *) (
' ' ) ' ( ' ' ) ' ( *) (
' ' ) ' ( ' ) ' ( *) (
' ' ) ' ( ' ) ' ( *) (
*) ( * *) ( * *) (
2
2 1 2
2 1 2 1 2 1 1 2
2 1 2 2 1 1 2 1
1 1 1 1
1 1 1 1
1 1
1 1
1 1
'
CC Var Var
CC X X Var
CX C X
CC X X CX C X X X X X X X X X Var
C C X X X C C X X X X X X X X X Var
C uu CE X X X uu CE C uu E X X X X X X uu E X X X Var
C Cuu X X X cuu C uu X X X X X X uu X X X E Var
C u X X X u Cu u X X X E Var
Cu u X X X Cu u X X X E Var
Cu u X X X Cu u X X X E Var
E E E Var
o | |
o o |
o o o o |
o o o o |
|
|
|
|
| | | | |
| | | | |
+ =
+ =
= =
+ + + =
+ + + =
+ + + =
+ + + =
+ + =
+ + =
+ + + + =
=
( *) ( | | Var Var >

SEGUNDA PARTE

FECHA: 2007 - 10 - 02

Anlisis de regresin mltiple: el problema de la inferencia

Aunque los conceptos desarrollados en los captulos anteriores pueden ser aplicados al
modelo de regresin mltiple estos modelos poseen caractersticas adicionales que le
son nicas.
Se mantiene el supuesto que los
i
sigue la distribucin normal con media cero y
varianza constante
2
o . Con el supuesto de normalidad, se asegura que
. . .
2 1 0
, , | | |
tambin estn normalmente distribuidos.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Pruebas de hiptesis: coeficiente individual de regresin parcial

i ki k i i i
X X X Y | | | | + + + + + = ...
2 2 1 1 0

|
.
|
\
|
|
.
|
\
|

=
.
.
i
i i
i
ee
t
|
| |

Lo que se desea probar es la hiptesis de que
i
X , manteniendo el resto de las variables
explicativas constantes no tiene influencia alguna sobre Y:

0 :
1 0
= | H 0 :
1 1
= | H

|
.
|
\
|
=
.
.
i
i
i
ee
t
|
|

Si 2 t : se rechaza
0
H , se acepta
1
H

Si 2 t : no se rechaza
0
H

Prueba de significacin global de la regresin:

Examina la significacin de todas las pendientes en conjunto, simultneamente; la
interseccin, queda fuera de la prueba.

i ki k i i i
u X X X Y + + + + + = | | | |
2 2 1 1 0

0 :
2 1 0
= = = =
k
H | | | 0 :
2 1 0
= = = =
k
H | | |
) (
) 1 (
. . .
. . .
k n
SRC
k
SEC
l de g
SRC
l de g
SEC
F
= =

Donde k= #de regresores

Si F> valor crtico de de la tabal F, se rechaza
0
H y se acepta
1
H .
Si F< valor crtico de de la tabal F se acepta
0
H .

En otras palabras, la prueba F mide si Y est relacionada o no linealmente con
1
X y
2
X
simultneamente. El valor P, tiene el mismo significado que en el caso de la t de
Student.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

) 1 ( 1
) (
) 1 )( (
) (
) 1 (
) (
|
.
|
\
|

=

=
=
k
STC
SEC
k n
STC
SEC
k SEC STC
k n SEC
k SRC
k n SEC
F
) (
) 1 (
) 1 (
2
2
k n
R
k
R
F
=

La F tiene relacin con el
2
R , de donde se deduce que la prueba F tambin mide la
significacin de
2
R ; en consecuencia:

0 :
2
0
= R H 0 :
2
1
= R H

Si 0
2
= R F=0
Si
2
R = 1 F=

Cuanto mayor sea el
2
R , mayor ser el valor de la F. Lo anterior saca a relucir una
importante observacin emprica respecto a los datos transversales, donde por lo general
se obtiene un
2
R bajo; si pasa la prueba F no se debe preocupar.

En una regresin con series de tiempo por lo general se tiene un
2
R alto, ah viene la
importancia de esta prueba, si se hace la prueba F y si no pasa (por lo geneal no suele
pasar por el problema de la auto correlacin).
En los cortes transversales, por lo general el
2
R es bajo, si pasa la prueba F el
2
R est
bien.

La contribucin incremental de una var. Explic.

En la mayora de las investigaciones empricas, el investigador no puede estar seguro si
se justifica agregar una variable X al modelo. Lo que se desea es saber si al aadir una
variable al modelo se aumenta la SEC (y por tanto
2
R ) significativamente en relacin
con la SRC; es lo que se denomina la contribucin incremental tal de una var.explic.

) (
) (
k n
SRC
m
SEC SEC
F
n
V n
=

Donde m= #de nuevas variables y (n-k)= g. de l. del nuevo modelo.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
( )
) ( k n
STC
SEC STC
m
STC
SEC
STC
SEC
F
n
v n
|
|
.
|
\
|
=

F=
) (
) 1 (
) (
2
2 2
k n
R
m
R R
n
v n

Ejemplo: consideremos el caso de la M.I

MI= 263.8635 2.390496(TAF)
(12.22499) (0.213263)
20.58395 -11.20917

2
R = 0.669590 F=125.6455

MI= 157.4244 0.011364(PIB)
(9.845583) (0.003233)
15.98935 -3.515661

2
R =0.166217 F=12.35987

MI= 263.6416 0.005647(PIB) 2.231586(TAF)
(11.59318) (0.002003) (0.209947)
22.74109 -2.818703 -10.62927

2
R =0.707665

61
) 707665498 . 0 1 (
2
707665498 . 0
= F =73.83254

El valor crtico de la F al 95% con 2 y 6.1 g. de l. es 3,15; se aceptan
1
H .
La contribucin incremental de TAF es:
61
) 707665498 . 0 1 (
) 166216985 . 0 707665498 . 0 (

= F
Que es justamente: 9814 . 112 ) 62927 . 10 (
2
=
La contribucin del PIB es:


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
61
) 707665498 . 0 1 (
1
) 669589717 . 0 707665498 . 0 (
= F

Que es justamente: 9451 . 7 ) 818703 . 2 (
2
=
En ambos casos, el valor crtico de la F al 95% con 61 g. de l. es 4,00; el aumento de la
nueva variable es significativo.

FECHA: 2007-10-09

Pruebas de igualdad de los coeficientes

i i i i i
u X X X Y + + + + =
3 3 2 2 1 1 0
| | | |

3 2 0
: | | = H ( ) 0
3 2
= | |

3 2 1
: | | = H ( ) 0
3 2
= | |

Por ejemplo si Y= cantidad demandada de un bien,
1
X =precio del bien;
2
X =ingreso
del consumidor y
3
X =riqueza del consumidor; la
0
H significa que los coeficientes de
ingreso y riqueza son los mismos.
Si Y y los X' s estn expresadas en forma logartmica, la
0
H implicara que las
elasticidades son iguales.

Para probar la
0
H , recordemos que:

( ) 2
1
(
|
.
|
\
|
|
.
|
\
|

=
|
.
|
\
|

=
.
. .
i
i i
i
i i
i
Var
ee
t
|
| |
|
| |

( )
2
1
3 2
3 2
2
1
3 2
3 2 3 2
(
|
.
|
\
|

|
.
|
\
|

=
(
|
.
|
\
|

|
.
|
\
|

=
. .
. .
. .
. .
| |
| |
| |
| | | |
Var Var
t

|
.
|
\
|

. .
3 2
| | Var =
|
.
|
\
|
.
2
| Var +
|
.
|
\
|
.
3
| Var -2cov
|
.
|
\
|
. .
3 2
, | |


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Si : 2 t se rechaza
0
H , se acepta
1
H

Se : 2 t no se rechaza
0
H

Ejemplo: consideremos la informacin de la tabla 7.4:

P = Produccin, CT= Costo Total

P2 =
3 ^ 2
3 ^ P P P =

CT = 141.7667 + 63.47766(P) 12.96154(
2
P ) + 0.939588(
3
P )

(6.375322) (4.778607) (0.985665) (0.059106)

22.23678 13.28372 -13.15005 15.89677

998339 . 0
2
= R

A medida que aumentan los regresores el
2
R tiene a 1

( )
( ) | |
5 . 0
057642 . 0 2 003493 . 0 971535 . 0
939588 . 0 96154 . 12
+

= t

t = -12.81082

Se rechaza
0
H , se acepta
1
H : son diferentes

Dependent Variable: CT
Date: 10/08/07 Time: 07:54
Sample: 1 10


C 141.7667 6.375322 22.23678 0.0000
P 63.47766 4.778607 13.28372 0.0000
P2 -12.96154 0.985665 -13.15005 0.0000
P3 0.939588 0.059106 15.89677 0.0000

S.E. of regression 3.284911 Akaike info criterion 5.505730
Sum squared resid 64.74382 Schwarz criterion 5.626764
Log likelihood -23.52865 F-statistic 1202.220


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Prueba sobre restricciones lineales

i
e X AX Y
i i i
| |
2 1
2 1
=

i i i i
X X A Y | | + + + =
2 2 1 1
ln ln ln ln
i i i i
X X Y | | | + + + =
2 2 1 1 0
ln ln ln No Restringida.

Y= produccin capital X trabajo X = =
2 1

Si existe rendimientos constates a escala

( ) 1
2 1
= + | |

El mtodo de la prueba t:

Se estima la regresin con MCO, lo que se llama regresin no restringida y se realiza
la siguiente prueba de hiptesis:

1 :
2 1 0
= + | | H 1 :
2 1 1
= + | | H

( )
2
1
2 1
2 1
2
1
2 1
2 1 2 1
1
(
|
.
|
\
|
+
|
.
|
\
|
+
=
(
|
.
|
\
|
+
+
|
.
|
\
|
+
=
. .
. .
. .
. .
| |
| |
| |
| | | |
Var Var
t

|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
|
.
|
\
|
+
. . . . . .
2 1 2 1 2 1
, cov 2 | | | | | | Var Var Var
Si 2 > t : se rechaza la
0
H , se acepta
1
H
Si 2 < t : no se rechaza
0
H .

El mtodo de la prueba f:

La idea es incorporar la restriccin en la estimacin de la regresin original:

2 1
1 | | =
1 2
1 | | =

i 2i 2 1i 2 0
u X ln )lnX 1 ( ln + + + = | | |
i
Y

i 1i 2i 2 1i 0
u ) X ln lnX ( lnX ln + + + = | |
i
Y Restringida

i 1i 2i 2 0 1i
u ) X ln lnX ( ) lnX (ln + + = | |
i
Y

i 1i 2i 2 0 1i
u ) X / X ( ln ) /X ln( + + = | |
i
Y

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Donde, ) /X (
1i i
Y es la razn producto/trabajo, que son indicadores econmicos
importantes. Una vez que se estima
2
| ,
1
| es de fcil acceso.
Este procedimiento es conocido como mnimos cuadrados restringidos y tiene la
cualidad de asegurar que la suma de las elasticidades es igual a 1.

La suma total de cuadrados no tienes nada que ver con las variables explicativas.

( )
( ) k n
SRC
m
SRC SRC
F
NR
NR R
=

( ) ( ) | |
( ) ( ) k n SEC STC
m SEC STC SEC STC
F
NR
NR R

=
/
/

( )
( ) ( ) k n SEC STC
m SEC STC SEC STC
F
NR
NR R

+
=
/
/

( )
( ) ( ) k n SEC STC
m SEC SEC
F
NR
R NR

=
/
/

( ) k n
STC
SEC
m
STC
SEC
STC
SEC
F
NR
R NR
|
|
.
|
\
|
|
|
.
|
\
|
=
/ 1
/

( )
( ) ( ) k n R
m R R
F
NR
R NR

=
/ 1
/
2
2 2

Donde
2 2
R R
NR
= de la regresin no restringido.
2 2
R R
R
= de la regresin restringida
m=k de restricciones lineales
(n-k)= g de l de la regresin no restringida
Si F> valor crtico de la F, se rechaza
0
H , se acepta
1
H
Si F< valor crtico de la F, se acepto
0
H (se confirma que la sumatoria de las 2
elasticidades es igual a 1)


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

FECHA: 2007-10-16

Consideremos la informacin de la tabla 8.8:

P= Producto interno bruto, T= trabajo, K= capital

LP = -1.652419 + 0.339732 (LT) + 0.845997 (LK)
(0.606198) (0.185692) (0.093352)
-2.725873 1.829548 9.062488

R
2
= 0.995080 SRC = 0.013604

2 / 1
)] 017034 . 0 ( 2 008715 . 0 034481 . 0 [
1 ) 845997 . 0 339732 . 0 (
+ +
+
= t

t = 1.943981

equation eq01.ls lp c lt lk

Dependent Variable: LP
Date: 10/15/07 Time: 07:26
Sample: 1955 1974


C -1.652419 0.606198 -2.725873 0.0144
LT 0.339732 0.185692 1.829548 0.0849
LK 0.845997 0.093352 9.062488 0.0000


Lo que quiere decir que no se rechaza la Ho; es decir, estadsticamente la suma de las
dos elasticidades es 1. Existen rendimientos constantes a escala.

i
u K T + + + = ln ln lnP
2 1 0
| | |

i
u K T + + + = ln ln ) 1 ( lnP
2 2 0
| | |

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Nota= Mas adelante se revisar la prueba F, en ella hay un rango de tres a cinco, en
caso de tener se tiene una gran nmero de observaciones caso contrario si es cercana a
cinco hay nmero pequeo de observaciones.

i o
u T K T P + + + = ) ln (ln ln ln
2
| |

i o
u T K T P + + = ) ln (ln ) ln (ln
2
| |

i
u T K T P + + = ) / ln( ) / ln(
2 0
| |

LPT=log(P/T) LKT=log(K/T)

LPT=-0.494718+1.015301(LKT)
(0.121816) (0.036124)
-4.061175 28.10564
977721 . 0
2
= R SRC=0.016629

equation eq02.ls LPT C LKT

Dependent Variable: LPT
Date: 10/16/07 Time: 09:27
Sample: 1955 1974


C -0.494718 0.121816 -4.061175 0.0007
LKT 1.015301 0.036124 28.10564 0.0000


Para la prueba F no podemos utilizar la relacin que involucra al
2
R porque la variable
dependiente de la regresin no restringida es diferente a la de la restringida; por tanto,
usamos la que involucra a las SRC.

( )
780138 . 3
17 / 013604 . 0
1 / 013604 . 0 016629 . 0
=
= F

El valor critico de la F con 1 g. de l en el numerador y 17 grados de libertad en el
denominador es 4.45 al 96% de confianza. 5 pocas observaciones 3 muchas

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
observaciones. En consecuencia, se acepta
0
H , estadsticamente la suma de las dos
elasticidades es 1, existen rendimientos constantes a escala.

Prueba F global: control de lectura

Econometra de series de tiempo: algunas ideas bsicas

El Problema:

1) El trabajo emprico como series de tiempo supone que stas son estacionarias; de no
ser el caso, las pruebas de hiptesis es una regresin

Notas Extra:

Estacionalidad= es un fenmeno que se encuentra persistentemente en fenmenos de cada ao, por ejemplo
las ventas en febrero, mayo y las fechas de entrega de obsequios.

No se debe confundir estacionalidad con estacionariedad.

En el trabajo para la tercera nota debemos revisar ms de tres aos de informacin. El ao 2000 es el ao de
transicin la informacin estadstica no sirve para nada. Desde el 2002 a la fecha se debe tomar en cuenta.
El tercer parcial se debe hacer aplicaciones desde el tema del problema. La primera hora de clase del 2008
debe ser entregado el trabajo. Se debe buscar informacin mensual de una empresa.

2) La autocorrelacin se origina debido a que las series de tiempo involucradas son no
estacionarias.

3) En las regresiones con series de tiempo con frecuencia se obtiene un R
2
muy
elevado, superior a 0.9, aunque no haya una relacin significativa entre ellas.
Situacin que se conoce como el problema de la regresin espuria.

4) Los modelos de regresin con series de tiempo se utilizan para pronsticos; por
tanto se desea saber si tal prediccin es vlida, cunado dichas series son no
estacionarias.

Producto Interno Bruto (PIB) = 630.0349
Ingreso Personal Disponible (IPD) = 477.3675
Gasto Consumo Personal (GCP) = 463.1134
Ganancias Corporativas despus de impuestos (GCP) = 463.1134
Dividendos Corporativos Netos ( DIV) = 38.36447

En los exmenes se debe hacer ejercicios del GAN y el DIV.

FECHA: 2007-10-23

Procesos Estocsticos

Un proceso estocstico es una coleccin de variables aleatorias ordenadas en el tiempo.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Si Y es una variable aleatoria continua se denota como
) (t
Y ; ejemplo, un
electrocardiograma. Si Y es una variable aleatoria discreta, se denota como
t
Y ; ejemplo
el PIB. Si Y representa al PIB, entonces se tiene
88 87 3 2 1
, ........ , , Y Y Y Y Y ; cada una de estas
Y es una variable aleatoria.

El PIB o cualquiera de las variables macroeconmicas, es un proceso estocstico porque
cada valor de cada trimestre es la realizacin particular de una infinidad de
posibilidades econmicas y polticas.

La distincin entre un proceso estocstico y su realizacin es semejante a la diferencia
entre poblacin y muestra en datos transversales. Si en datos transversales, la muestra
sirve para inferir en la poblacin, de la misma forma, en las series de tiempo se emplea
la realizacin para inferir respecto al proceso estocstico subyacente.

Proceso Estocstico Estacionario

Se dice que un proceso estocstico es estacionario si su media, su varianza y su
autocovarianza (en los diferentes rezagos) permanecen iguales sin importar el momento
en el cual se midan; caso contrario el proceso estocstico es no estacionario.

Vamos a usar las imperfecciones de las series estacionarias para armar los modelos,
posteriormente. La media y la varianza oscilan entren valores.

Covarianza = correlacin. Autocovarianza = autocorrelacin.

Sea
t
Y una serie de tiempo estocstica:

Media: | | u Y E
t
=
) (

Varianza: | | ( )
2 2
) ( ) (
o = = u Y E Y Var
t t

Autocovarianza: ( )( ) | | u Y u Y E
k t t k
=
+ ) (
Si k = 0,
2
0
o =

La autocovarianza es el producto de dos desviaciones con respecto a la media.

Donde
k
, es la autocovarianza al rezago k, y es la covarianza entre los valores de
t
Y y
k t
Y
+
; es decir, entre dos valores Y que estn separados k periodos.

El problema de las series de tiempo no estacionarias es que solo se puede estudiar su
comportamiento durante ese periodo particular y no se puede generalizar para los otros
periodos. Para propsitos de pronsticos, las series de tiempo no estacionarias tendrn
un valor prctico insignificante.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Un proceso puramente aleatorio o ruido blanco es aquel que tiene una media igual a
cero, una varianza constante
2
o y no est autocorrelacionada. Si el trmino de error
t
u
del modelo de una regresin lineal es ruido blanco, se dice que dicha regresin no
adolece de autocorrelacin y est correctamente estimada.

Trabajo:

1.-Antecedentes, descripcin de la variable macroeconmica, parte de que es.
Explicacin de la variable (al menos dos pginas). En el caso de ser una
empresa se debe poner en contexto el marco de la empresa visin, misin,
objetivos, entre otras.

2.- Marco terico, todas las frmulas.

3.-Marco emprico. No se escribe las frmulas. Cuadros y grficos analizados.
La explicacin (muy importante).

4.- Conclusiones. Comparacin entre septiembre, octubre, noviembre
comparacin con el campo real. Diciembre, octubre y febrero proscripcin.

Revisar captulo 21 y 22 para la realizacin del trabajo.

Notas:

- Para le prueba hay un entrelazamiento entre el e-views y el Excel.

- Es mejor obtener la primera y segunda diferencia en el software Excel.

- Una serie no estacionaria es una serie que aumenta paulatinamente o que
disminuye paulatinamente.

- Si una serie va disminuyendo tambin es no estacionario.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Ejemplo de una serie no estacionaria:

La serie no estacionaria est plagada de autocorrelacin.

2800
3200
3600
4000
4400
4800
5200
70 72 74 76 78 80 82 84 86 88 90
PIB

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Ejemplo de una serie estacionaria:

No hay gran oscilacin de la media de los valores.

Otra serie ms estacionaria:

-120
-80
-40
0
40
80
120
70 72 74 76 78 80 82 84 86 88 90
D1PIB
-120
-80
-40
0
40
80
120
70 72 74 76 78 80 82 84 86 88 90
D2PIB

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Media
70Q1-74Q4 75Q1-79Q4 80Q1-84Q4 85Q1-89Q4

PIB 3091,78 3527,21 3886,98 4555,94
D1PIB 18,61 29,41 18,98 32,27
D2PIB -0,01 0,99 1,04 -0,68

Varianza

PIB 161,24 219,46 152,23 211,8
D1PIB 32,75 36,95 50,03 17,53
D2PIB 43,99 47,52 55,03 24,1

FECHA: 2007-10-25

Pruebas de Estacionariedad:

Prueba Grfica:

El primer paso para analizar una serie de tiempo, es el grfico, lo cual, proporciona una
clave inicial sobre naturaleza de esa serie.

Funcin de autocorrelacin y correlograma:

Una prueba sencilla de estacionariedad est la basada en la funcin de de
autocorrelacin muestral.

La ACF muestral al rezago K es:

ianza
arianza auto
Y Y
Y Y Y Y
t
k t t
k
k
var
cov
) (
) )( (
2
0
=

= =

Donde
k
= coeficiente de autocoerrelacin
k
= autocovarianza y
0
= varianza y Y =
media muestral.

PAC= Promedios mviles.

Ejemplo:

En el correlograma del PIB est plagada de barras grises es decir de autocorrelacin.
Los d1 y d2 PIB, no existe correlacin. La primera es no estacionaria, mientras la
segunda y tercera son estacionarias.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Si se grafica
k
.
frente a k se obtiene el correlograma muestral.
La eleccin del nmero de rezagos es totalmente emprica, una buena costumbre es
escoger un valor entre el tercio o cuarto de la longitud de la serie de tiempo. En nuestro
ejemplo, escogemos 25 que se encuentra entre 22 y 29.
La significacin estadstica de cualquier
k
.
puede juzgarse mediante su error
estndar.Segn Barlet los coeficientes de autocorrelacin muestrales son
aproximadamente.

)
1
, 0 (
N
N
k
q
.

Donde u es el tamao de la muestra; al 95% del nivel de confianza.

2
1
2
1
)
1
( 96 . 1 )
1
( 96 . 1
n n
k
< <
.

2
1
2
1
)
88
1
( 96 . 1 )
88
1
( 96 . 1 < <
.
k

209 . 0 209 . 0 < <
.
k

0 :
0
=
.
k
H 0 :
1
=
.
k
H

Si
k
.
esta dentro del intervalo se acepta
0
H ; no hay autocorrelacin. Si
k
.
est fuera
del intervalo se acepta la
1
H ; hay autocorrelacin.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
( ) ( )
2
1
2
1
87
1
96 . 1
87
1
96 . 1 < <
.
k

210 . 0 210 . 0 < <
.
k

( ) ( )
2
1
2
1
86
1
96 . 1
86
1
96 . 1 < <
.
k

211 . 0 211 . 0 < <
.
k

El coeficiente de Bartlett es la diferencia entre la lnea central y la lnea segmentada. Si
la franja no cruza la lnea entrecortada no hay autocorrelacin. En la primera diferencia
el coeficiente varia por que no disminuye en 1.

En la segunda diferencia se pierden dos observaciones y por eso varia de nuevo el
coeficiente de Bartlett.

FECHA: 2007- 10 - 30

Anlisis de LJUN-BOX

Si se desea probar la hiptesis conjunta de que todos los
k
son simultneamente
iguales a cero, se recurre al estadgrafo LJUN-BOX:

=
|
|
.
|
\
|
+ =
m
k
k
LB
k n
n n Q
1
2
) 2 (

Donde n es el tamao de la muestra y m es la longitud del rezago.
LB
Q es
aproximadamente una distribucin
2
_ con g de l.

H0: todos los 0 =
k
H1: todos los 0 =
k

Si
LB
Q > valor crtico de la tabla
2
_ , se acepta H1, la serie es no estacionaria.

Si
LB
Q < valor crtico de la tabla
2
_ , se acepta H0, la serie es estacionaria.

- El PAC mide los promedios mviles
.
- El q stat es el Ljun Box.

-Mientras se disminuye el valor deL Ljung Box sube el valor probabilstico de
igual forma que con la F.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

6114 . 14
2
% 95 , 25
= _

LB
Q

LB
Q

PIB

891.25 No estacionaria IPD 940.50 No estacionaria
D(PIB)

38.406 No estacionaria 1era IPD 28.130 No estacionaria
D
(PIB,2)

54.861 No estacionaria 2da IPD 65.266 No estacionaria

La diferencia entre 38.406 y 14.6114 es reducida. Por lo que podemos tener la idea de
que tiene niveles de estacionariedad.

En software e - views se visualiza de la siguiente manera en el caso del PIB:

Prueba de Raz Unitaria

Dickey-Fuller desarrollaron la prueba de raz unitaria; el punto de inicio es el proceso
estocstico de raz unitaria.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
t t t
u Y Y + =
1

Si 1 = se dice que
t
Y tiene problema de raz unitaria, y por tanto la serie es no
estacionaria. Sin embargo, para concluir que 1 = , el estadgrafo t no tiene una
distribucin normal asinttico; por tanto, Mac-Kimmer construy el estadgrafo Tau
) ( a cuyos valores hay que referirse.

H0: 1 = H1: todos los 1 <

Si t t > crtico, se acepta Ho; hay problemas de raz unitaria y la serie es no
estacionaria. Pero si hay la sospecha de que la serie es estacionaria, se sigue la prueba
usual de la t de Student.

EQ01 PIB PIB (-1) no estacionara RPIB = PIB (-1)
EQ02 D (PIB) D (PIB (-1)) estacionara R1PIB = D (PIB (-1))
EQ03 D (PIB,2) D(PIB(-1),2) estacionara R2PIB = D (PIB(-1),2)
EQ04 IPD IDP (-1) no estacionaria
EQ05 D (IPD) D (IDP (-1)) estacionaria
EQ06 D (IPD, 2) D (IDP (-1),2) estacionaria

FECHA: 2007-10-31

Por razones tericas, Dickey y Fuller dan un paso adelante, se resta
1 t
Y , en ambos lados
de la ecuacin anterior.

t t t
u Y Y + =
1

t t t t t
u Y Y Y Y + =
1 1 1
) (

t t t
u Y Y + = A
1
o 1 = o

m=1
45 Yt-1
Yt

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
0 : = o Ho 0 :
1
< o H

Si t > t crtico, se acepta la 0 : = o Ho , 1 = hay problemas de raz unitaria y la
serie es no estacionaria. Pero si se sospecha de que la serie es estacionaria se sigue la
prueba de la t student.

Hacer Grficos

PIB RPIB
D1PIB R1PIB
D2PIB R2PIB

Si se le obliga a pasar por el origen los mnimos cuadrados no se cumplen.
Esa la razn para que la prueba de hiptesis este distorsionada.
Se deben considerara los procesos no estocsticos que se debe incluir en el
marco terico de la investigacin.

En el ejemplo:

Analizando el PIB:

d(pib) pib(-1) no estacionaria

equation eq01.ls d(pib) pib(-1)

Dependent Variable: D(PIB)
Date: 10/31/07 Time: 09:03
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments


PIB(-1) 0.005765 0.000994 5.798077 0.0000

R-squared -0.015192 Mean dependent var 22.93333
Adjusted R-squared -0.015192 S.D. dependent var 35.93448
Log likelihood -435.2083 Durbin-Watson stat 1.340574

Vamos ahora a revisar la estacionariedad de la primera diferencia:

d(pib,2) d(pib(-1)) Por lo tanto es estacionaria. Asi que -5.181149 es estadsticamente
significativo, es decir verdadero y representa a la T student. No hay necesidad de irse al Unit
Root Test.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

equation eq02.ls d(pib,2) d(pib(-1))

Dependent Variable: D(PIB,2)
Date: 10/31/07 Time: 09:13


D(PIB(-1)) -0.479621 0.092570 -5.181149 0.0000


Existe la sospecha de estacionariedad.

Ahora a revisaremos la estacionariedad de la tercera diferencia:

equation eq03.ls d(pib,3) d(pib(-1),2)

Como el estadgrafo no es cero tenemos una t de Student.

Date: 10/31/07 Time: 09:20


D(PIB(-1),2) -1.396111 0.099348 -14.05278 0.0000

R-squared 0.701542 Mean dependent var -0.770588

Con respecto al IPD:

equation eq04.ls d(IPD,2) IPD(-1) es no estacionaria.

Dependent Variable: D(IPD)

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Date: 10/31/07 Time: 09:26


IPD(-1) 0.006115 0.001072 5.705903 0.0000

R-squared -0.026675 Mean dependent var 17.89540

Es no estacionaria. El delta es cero, por lo tanto es t .

Analizando con los calores crticos de MacKinnon. Advertimos que los valores crticos
dependen de los valores de confianza.

Con el UNIT ROOT TEST

Null Hypothesis: IPD has a unit root
Exogenous: None
Lag Length: 0 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 5.705903 1.0000
Test critical values: 1% level -2.591813
5% level -1.944574
10% level -1.614315

*MacKinnon (1996) one-sided p-values.

Con respecto al IPD2

equation eq05.ls d(IPD,2) D(IPD(-1)) es estacionaria.

Dependent Variable: D(IPD,2)
Date: 10/31/07 Time: 09:31



Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
D(IPD(-1)) -0.745190 0.104404 -7.137588 0.0000


Con respecto al IPD3

equation eq06.ls d(IPD,2) D(IPD(-1)) es estacionaria

Dependent Variable: D(IPD,3)
Date: 10/31/07 Time: 09:33


D(IPD(-1),2) -1.502741 0.094321 -15.93217 0.0000


Por razones de inconsistencia en las dos pruebas de hiptesis anteriores
Dickey y Fuller introducen dos cambios:

1.-Inclusin de la interseccin:

t t t
u Y Y + + = A
1 1
o |

2.- El acerca de la tendencia:

t t t
u Y T Y + + + = A
1 2 1
o | |

Y para ambos casos:

1 , 0 : = = o Ho 0 : < o Ho ; 1 <

Si t > t crtico, se acepta la
1
H , no hay problemas de raz unitaria y la serie es
estacionaria.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Si t < t crtico, se acepta la
0
H , hay problemas de raz unitaria y la serie es no
estacionaria.

Siguiendo con el ejemplo:

- equation eq07.ls d(pib) c pib(-1) se acepta la hiptesis nula, es decir la serie es no
estacionara.

Date: 10/31/07 Time: 09:47


C 28.20542 24.36532 1.157605 0.2503
PIB(-1) -0.001368 0.006242 -0.219165 0.8270


Null Hypothesis: PIB has a unit root
Exogenous: Constant

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.219165 0.9310
5% level -2.895109
10% level -2.584738


Augmented Dickey-Fuller Test Equation
Date: 10/31/07 Time: 09:47


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

PIB(-1) -0.001368 0.006242 -0.219165 0.8270
C 28.20542 24.36532 1.157605 0.2503


- equation eq08.ls d(pib,2) c d(pib(-1)) es estacionaria.

Date: 10/31/07 Time: 09:50


C 16.00498 4.396717 3.640211 0.0005
D(PIB(-1)) -0.682762 0.102975 -6.630339 0.0000


- equation eq09.ls d(pib,3) c d(pib(-1),2) estacionaria

Date: 10/31/07 Time: 09:54


C -0.203950 4.198389 -0.048578 0.9614
D(PIB(-1),2) -1.396064 0.099948 -13.96796 0.0000


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

- Analizando el IPD, tenemos:

IPD no estacionaria.

D(IPD) estacionaria.

D(IPD,2) estacionaria.

Continuando con el ejercicio:

D(PIB) C T(-1) PIB(-1)

PIB No estacionaria.
D (PIB) No estacionaria.
D (PIB, 2) estacionaria.
IPD No estacionaria.
D (IPD) No estacionaria.
D (IPD, 2) No estacionaria.

FECHA: 2007-11-06

Si el trmino de error
t
u sigue autocorrelacionado, la ltima ecuacin se modifica y
toma el nombre de Dickey-Fuller Aumentada.

t t t t
Y Y T Y c o o | | + A + + + = A
1 1 1 2 1

t t t t t
Y Y Y T Y c o o o | | + A + A + + + = A
2 2 1 1 1 2 1

El nmero de trminos en diferencia rezagadas se determina empricamente hasta que
el trmino de error sea ruido blanco. La prueba de hiptesis es la misma que la anterior.

El Dikey F. es menor que todos los valores crticos de Mackinnon.

En el ejercicio:


=

+ A + + + = A
m
i
t t i t t
Y Y T Y
1
1 1 2 1
c o o | |

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.407420 0.0574
5% level -3.465548
10% level -3.159372


Quiere decir que existe hasta el 95% del nivel de confianza estacionariedad

PIB:

0 -0.685320
1 0.085875
2 -0.035363
3 -0.090404
4 -0.027794 * 2.735240

Serie no estacionaria.

)) 4 ( ( )) 3 ( ( )) 2 ( ( )) 1 ( ( ) 1 ( ) (
4 3 2 2 1
+ + + + + + = PIB D PIB D PIB D PIB D PIB PIB D o o o o o t | |

D (PIB):

0 0.035932
1 -0.055398
2 -0.096699
3 -0.054741
4 0.000229 * 3,407420

Estacionaria hasta el 90 % de confianza.

) 2 ), 4 ( ( ) 2 ), 3 ( ( ) 2 ), 2 ( ( ) 2 ), 1 ( ( )) 1 ( ( ) 2 , (
4 3 2 2 1
+ + + + + + = PIB D PIB D PIB D PIB D PIB PIB D o o o o o t | |

D (PIB, 2):

0 0.113511
1 -0.009876 * 9.104147 estacionaria
2 0.011534
3 0.033473
4 0.018194

Estacionaria hasta el 90 % de confianza.

) 3 ), 1 ( ( ) 2 ), 1 ( ( ) 3 , (
2 1
+ + + = PIB D PIB D PIB D o o t | |


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
FECHA: 2007-11-08

EL PROBLEMA:

1) Cmo se disea un modelo con una serie de tiempo estacionaria?
2) Cmo se utiliza el modelo para fines de pronstico?

Enfoques para la prediccin econmica:

- Modelos de alisamiento exponencial: ajustan una curva apropiado a datos histricos de
una serie de tiempo. Este tipo de ecuaciones tiene aplicaciones microeconmicas.

- Modelos uniecuacionales: Tienen el problema que los errores de prediccin aumentan
rpidamente en el futuro. Es un modelo con una regresin. Solo sirve para obtener
estadgrafos. No sirve para pronstico.

- Modelos de ecuaciones simultneas: Tuve vigencia hasta la crtica de Lucas. Adems
su apogeo perdur a lo largo de las dcadas de los sesenta y setenta.

Cuando la economa se calienta = La tasa de inflacin al alza.

Los parmetros de un modelo economtrico dependen de la poltica prevaleciente y
cambiaran s hay un cambio de poltica los parmetros no son constantes ante cambios
de poltica.

La crtica de Lucas se pone en vigencia con los cambios estructurales.

-Metodologa de Box-Jenkins: Sus propulsores son llamadas aterico. Tambin es
conocida como ARIMA, enfatiza el anlisis de las propiedades probabilsticas de las
series de tiempo bajo la filosofa de permitir que la informacin hable por si misma. Y
t
puede ser explicada por valores rezagados de si mismo y por trminos estocsticos de
error (am) por esta razn, reciben el nombre de modelos a-tericos. Por enfatizar la
estadstica.

- Metodologa VAR: Propuesta por Cristopher Sims, que considera diversas variables
endgenas de manera conjunta. ; pero cada variable endgena es explicada por sus
valores agregados de las dems varables endgenas. No hay variables exgenas en el
modelo.

Enuncio acerca de:

y=f(x)
x=f(y)
Adems critico al anlisis con la de t Student.

Elaboracin de los modelos de Proceso autoregresivo:

Elaboracin de los modelos
Proceso autoregresivo (AR)


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Si
t
Y es una serie de tiempo estacionaria y se puede modelar como:

( ) ( )
t t t
Y Y o o o + =
1 1

Donde o es la media de
t
Y y
t
es el vector de errores no correlacionados con media
cero y varianza
2
o (ruido blanco); entonces,
t
Y sigue un proceso autoregresivo de 1er
orden, AR (1).

( )
t t t
Y Y o o o + + =
1 1 1
1

Si
t
Y es una serie de tiempo estacionaria se puede modelar como:

( ) ( ) ( )
t t t t
Y Y Y o o o o o + + =
2 2 1 1

t t t t
u Y Y Y + + =

o o o o o
2 2 2 1 1

t t t t
u Y Y Y + + + =
2 2 1 1 2 1
) 1 ( o o o o o

En general:

t p t p t t t
u Y Y Y Y + + + + =

) ( ) ( ) ( ) (
2 2 1 1
o o o o o o o

t
Y sigue un proceso autorregresivo de valores p,AR(p).

t p p t t p t
u Y Y Y Y + + + + + =
1 2 2 1 1 2 1
) 1 ( o o o o o o o

Ejercicio de E views:

D(PIB) k=1 k=8 k=8

equation eq01.ls d(pib) c d(pib(-1)) d(pib(-8)) d(pib(-12))

) 3 : 88 4 : 88 (
) 3 : 89 4 : 89 (
) 2 : 91 3 : 91 (

) 3 : 91 4 : 91 (
3 2 1
+ + + = | | | |
O

) 3 : 88 4 : 88 (
) 3 : 89 4 : 89 (
) 2 : 91 3 : 91 (

) 3 : 91 ( ) 4 : 91 (
3 2 1
+ + + + = | | | |
O

) 4 : 88 1 : 89 (
) 4 : 89 1 : 90 (
) 3 : 91 4 : 91 (

) 4 : 91 ( ) 1 : 92 (
3 2 1
+ + + + = | | | |
O

(92:1)=4868.0+28.19371+0.342768(4868.0-4862.7)-0.299466(4880.8-4859.7)-0.264371(4809.8-4779.7)

(92:1)=4883.734

D(PIB) C AR(1) AR(8) AR(12)


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Date: 11/08/07 Time: 09:35


C 28.19371 5.576752 5.055578 0.0000
D(PIB(-1)) 0.342768 0.098794 3.469531 0.0009
D(PIB(-8)) -0.299466 0.101599 -2.947523 0.0043
D(PIB(-12)) -0.264371 0.098582 -2.681742 0.0091


Variables significativas

3.469531
-2.947523
-2.681742

FECHA: 2007-11-13

EQUATION EQ01.LS D(PIB) C AR(1) AR(8) AR(12)

Cambiamos la fecha:


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Date: 11/13/07 Time: 08:50
Convergence achieved after 3 iterations


C 23.08936 2.980356 7.747181 0.0000
AR(1) 0.342768 0.098794 3.469531 0.0009
AR(8) -0.299466 0.101599 -2.947523 0.0043
AR(12) -0.264371 0.098582 -2.681742 0.0091


Inverted AR Roots .92-.28i .92+.28i .61-.59i .61+.59i
.31+.87i .31-.87i -.25+.88i -.25-.88i
-.57-.59i -.57+.59i -.85+.28i -.85-.28i

Observamos a las celdas vacas

Last updated: 11/13/07 - 08:52

1970Q1 2872.8

1970Q2 2860.3

1970Q3 2896.6

1970Q4 2873.7

1971Q1 2942.9

1971Q2 2947.4

1971Q3 2966

1971Q4 2980.8

1972Q1 3037.3

1972Q2 3089.7

1972Q3 3125.8

1972Q4 3175.5

1973Q1 3253.3

1973Q2 3267.6

1973Q3 3264.3

1973Q4 3289.1

1974Q1 3259.4

1974Q2 3267.6


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
1974Q3 3239.1

1974Q4 3226.4

1975Q1 3154

1975Q2 3190.4

1975Q3 3249.9

1975Q4 3292.5

1976Q1 3356.7

1976Q2 3369.2

1976Q3 3381

1976Q4 3416.3

1977Q1 3466.4

1977Q2 3525

1977Q3 3574.4

1977Q4 3567.2

1978Q1 3591.8

1978Q2 3707

1978Q3 3735.6

1978Q4 3779.6

1979Q1 3780.8

1979Q2 3784.3

1979Q3 3807.5

1979Q4 3814.6

1980Q1 3830.8

1980Q2 3732.6

1980Q3 3733.5

1980Q4 3808.5

1981Q1 3860.5

1981Q2 3844.4

1981Q3 3864.5

1981Q4 3803.1

1982Q1 3756.1

1982Q2 3771.1

1982Q3 3754.4

1982Q4 3759.6

1983Q1 3783.5

1983Q2 3886.5

1983Q3 3944.4

1983Q4 4012.1

1984Q1 4089.5

1984Q2 4144

1984Q3 4166.4

1984Q4 4194.2

1985Q1 4221.8

1985Q2 4254.8

1985Q3 4309

1985Q4 4333.5

1986Q1 4390.5

1986Q2 4387.7

1986Q3 4412.6

1986Q4 4427.1


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
1987Q1 4460

1987Q2 4515.3

1987Q3 4559.3

1987Q4 4625.5

1988Q1 4655.3

1988Q2 4704.8

1988Q3 4734.5

1988Q4 4779.7

1989Q1 4809.8

1989Q2 4832.4

1989Q3 4845.6

1989Q4 4859.7

1990Q1 4880.8

1990Q2 4900.3

1990Q3 4903.3

1990Q4 4855.1

1991Q1 4824

1991Q2 4840.7

1991Q3 4862.7

1991Q4 4868

1992Q1

1992Q2

1992Q3

1992Q4

Y obtenemos una serie PIB F.

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Hacemos un grupo con el PIB Y EL PIB F y completamos las cuatro predicciones.

Nota: La aplicaciones de Dynamic son para convergencia. El test de convergencia no
es infalible.

En el static se utiliza los valores digitados.

Segn Chistopher Sims el 1.79 es vlido EL CASO DEL ipd.
El mejor es el promedio.

D(PIB) C AR(1) AR(8) AR(12)

D(PIB,2) C AR(1) AR(8) AR(12)

D(IPD) C AR(25)

D(IPD) C AR(5)

D(IPD) C AR(21) AR(25)

D(IPD) D(IPD,2)
AR(25) AR(5) AR(21,25) AR(1) AR(20) AR(25)
Q1 3566,306 3574,018 3561,018
Q2 3591,854 3599,857 3588,737
Q3 3618,695 3616,657 3601,634
Q4 3629,643 3638,328 3617,329


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

D(PIB) D(PIB,2)
AR(1,8,12) AR(1,8,12)
Q1 4883,734 4877,902
Q2 4905,506 4889,48
Q3 4936,774 4909,662
Q4 4986,392 4947,918

FECHA: 2007-11-20

Proceso de Media Mvil

Si
t
Y es una serie de tiempo estacionaria, y se puede modelar como:

1 1 0
+ + =
t t t
u u Y | |

Donde es una constante y
t
u es el vector de errores estocsticos, ruido blanco, se dice
que
t
Y sigue un proceso de media mvil de primer orden, MA (1).

Si
t
Y es una serie de tiempo estacionaria, y se puede modelar como:

2 2 1 1 0
+ + + =
t t t t
u u u Y | | |

Se dice que
t
Y sigue un proceso de media mvil de segundo orden MA (2).

En general:

k t k t t t t
u u u u Y

+ + + + = | | | | ........
2 2 1 1 0

Se dice que
t
Y sigue un proceso de media mvil de q orden MA (q).

EQ01: D(PIB) c MA(1) MA(8) MA(12)

EQ02: D(PIB,2) c MA(1) MA(2) MA(8) MA(12) MA(24)

EQ03: (PIB,2) c MA(1) MA(8) MA(24)

FECHA: 2007-11-27

Proceso Autorregresivo y de Media Mvil (ARMA)

Se debe tomar en cuenta que el anlisis es al nivel cuando es estacionaria.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
En ocasiones una serie de tiempo
t
Y es estacionaria al nivel y puede tener
caractersticas de AR y MA, simultneamente; entonces es un proceso ARMA.

Si
t
Y es una serie de tiempo estacionaria al nivel y se puede modelar como:

1 1 0 1 1
+ + + =
t t t t
u u Y Y | | o

t
Y sigue un proceso autorregresivo de 1er orden y media mvil de 1er orden ARMA
(1,1).

En general, en un proceso ARMA (p, q) habr p trminos autorregresivos y q trminos
de media mvil.

Proceso Autorregresivo Integrado de Media Mvil (ARIMA)

La diferencia entre el ARMA y el ARIMA consiste en que en el segundo se trabaja con
la primera y la segunda diferencia.

Se incerta la d, para conocer si se trata de la primera o la segunda diferencia.

Si
t
Y es una serie de tiempo que en (d) diferencias se vuelve estacionaria, se dice que la
original es ARIMA (p, d, q), un proceso autorregresivo integrado de media mvil donde
p es el nmero de trminos autorregresivos, (d) es el nmero de veces que debe ser
diferenciada para volverse estacionaria y (q) es el nmero de trminos de media mvil.

El objetivo de Jenkins es identificar un modelo estadstico que pueda ser interpretado
como generador de la informacin muestral.

Si ese modelo se utiliza para prediccin, se debe suponer que sus caractersticas son
estables o constantes en el tiempo, especialmente en el futuro.

Si tenemos una serie descendente o ascendente es no estacionaria.

Si la serie va ascendiendo sabemos que las caractersticas de cada trama son
cambiantes, por lo tanto no podemos trabajar de ese modo.
En el caso de que sea estacionara los estadgrafos probabilsticas son semejantes y las
caractersticas en el futuro se van a mantener.

FECHA: 2007-11-29

Vectores Autorregresivos (VAR):

En los modelos uniecuacionales y de ecuaciones simultneas las variables deben ser
identificadas como endgenas o exgenas, decisin que segn Christopher Sims, a
menudo es subjetiva y ms bien no debe haber ninguna distincin.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

Toda teora econmica responder a una decisin poltica. Las diferentes personas
que trabaja en un tema pueden tener criterios encontrados

En los modelos VAR el trmino autorregresivo se refiere a la aparicin de los valores
rezagados de la variable dependiente en el lado derecho de la regresin.

Supongamos el caso de GCP e IPD.

t
i
i t i
i
i t i t
u IPD GCP GCP + + + =

=

=

4
1
4
1
1
| o
t
i
i t i
i
i t i t
u IPD GCP IPD + + + =

=

=

4
1
4
1
2
| o

En los modelos VAR no cuenta la significacin individual (t de student), solamente la
conjunta, es decir, la prueba F. Los valores crticos de la F, es de 3 a 5.

En el ejemplo:

VAR (GCP-IPD)

Los modelos ARIMA son totalmente separados de los modelos autoregresivos.

Con diez informaciones no se debe hacer un VAR, ya que con cinco grados libertad no
se hace nada.

Con veinte informaciones se hace con dos rezagos. Con ms de treinta se hace con
cuatro rezagos.


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

GCP IPD PIB
Var(GCP-IDP) VAR(GCP-IPD) VAR(IPD-PIB)
Q1 3283,89 3558,195 4884,667
Q2 3298,663 3574,498 4897,425
Q3 3314,122 3590,785 4911,712
Q4 3329,653 3607,223 4926,612
VAR(GCP-PIB) VAR(IPD-PIB) VAR(GCP-PIB)
Q1 3286,835 3563,151 4881,596
Q2 3302,772 3575,642 4899,013
Q3 3315,812 3585,408 4920,299
Q4 3331,637 3597,378 4940,254

En el caso del PIB:

Nota Adicional:

Friedman expone a las expectativas adaptativas. Sin embargo Sims realiza algunas
modificaciones llegando a:


Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.

... ) 2 ( ) 1 ( ... ) 2 ( ) 1 (
2 3 2 1 0
+ + + + + + =
i i i i i
Y Y X X Y | | | | |

Apuntesdeeconometriaii 090924153320 Phpapp02

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

Apuntesdeeconometriaii 090924153320 Phpapp02

Cargado por

Copyright:

Formatos disponibles

PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR

es igual a la media de los Y observados Y .

| | se observa que a medida que

PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR

= ' = ' | X u Y u 0 ' '

( *) ( | | Var Var >

También podría gustarte