Está en la página 1de 4

ANALIZANDO HETEROSCEDASTICIDAD Y AUTOCORRELACIN.

EJEMPLO: MODELO DE DEMANDA REAL DE DINERO Tomando en cuenta el siguiente modelo de demanda de dinero:

M = AY 1 e 2i P
ECUACIN ESTIMADA.

ln(M/P) = + 1 ln (PBIR) + 2 TINT + , Se solicita estimar el

modelo por MCO para el perodo 1993:01 1998:12 e interpretar sus resultados.
Dependent Variable: LDEMANDASA Method: Least Squares Sample: 1993:01 1998:12 Included observations: 72 Variable C LPBIR TINT R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -8.715166 2.600947 -0.001359 0.925254 0.923087 0.088475 0.540116 73.97139 0.812124 Std. Error 0.904632 0.177085 0.000711 t-Statistic -9.633933 14.68760 -1.909612 Prob. 0.0000 0.0000 0.0603 4.152248 0.319021 -1.971428 -1.876566 427.0607 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Grficamente:
5.0 4.5 4.0 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 1993 1994 1995 Residual 1996 1997 1998 Fitted 3.5 3.0

Actual

ANALISIS DE HETEROSCEDASTICIDAD Para analizar la presencia de heteroscedasticidad, el E-views permite usar: i) Test de White, que puede ser: a. Sin Trminos cruzados, o b. Con trminos cruzados. ii) El test ARCH LM, que es un caso especial de heteroscedasticidad condicionada que se presenta en muestras de series de tiempo. En ese caso se dice que la variancia presenta un comportamiento de tipo ARCH(n) (el uso de este test no es parte del curso, es un tema de Econometra Dinmica o Econmetra de ST). TEST DE WHITE CON TERMINOS CRUZADOS Estando en la ventana de la ec. estimada: VIEW / RESIDUAL TESTS / WHITE HETEROSKEDASTICITY (CROSS TERMS) Eviews reporta 2 estadsticos de la regresin auxiliar: i) El estadstico F, que es un test para variables omitidas que evala la significancia conjunta de todos los productos cruzados excluyendo la constante. ii) El estadstico n*R2 que es el estadstico de White, que es asintticamente distribuido como una Chi-cuadrado con g. de l. igual al nmero de coeficientes de pendientes de la regresin auxiliar.

Econometra Intermedia Prof. F. Ponce. 2009-I.


White Heteroskedasticity Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID^2 Method: Least Squares Sample: 1993:01 1998:12 Included observations: 72 Variable C LPBIR LPBIR^2 LPBIR*TINT TINT TINT^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 1.681698 -0.613324 0.055702 0.001055 -0.005379 2.29E-06 0.057475 -0.013928 0.010618 0.007441 228.2211 1.840170 Std. Error 10.25443 4.005903 0.391313 0.003190 0.016317 6.58E-06 t-Statistic 0.163997 -0.153105 0.142346 0.330802 -0.329629 0.347541 Prob. 0.8702 0.8788 0.8872 0.7418 0.7427 0.7293 0.007502 0.010545 -6.172808 -5.983086 0.804940 0.550231 0.804940 4.138232 Probability Probability 0.550231 0.529691

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

La Hiptesis nula (H0) del Test de White es que NO EXISTE HETEROSCEDASTICIDAD, o alternativamente, existe homoscedasticidad, y, La Hiptesis alternativa (H1) es que existe heteroscedasticidad de alguna forma general desconocida. Un alto estadstico de White estimado significa que se fracasa en aceptar la H0 , por lo que se debe aceptar la H1 de existencia de heteroscedasticidad. En cambio un valor bajo del estadistico n*R2 (menor que el valor crtico chi-cuadrado) indica que la homoscedasticidad se verifica (se acepta la H0). Para este ejemplo, de acuerdo al valor p-value (de probabilidad) de los resultados del test de White con trminos cruzados, se rechaza la hiptesis nula al {(1-0.53)*100} = 47% de confianza. Si el nivel de rechazo es 95% ( = 5%), con este resultado del estadstico de White = 4.14 concluimos que no existe heteroscedasticidad. TEST DE WHITE SIN TERMINOS CRUZADOS Estando en la ventana de la ec. estimada: VIEW / RESIDUAL TESTS / WHITE HETEROSKEDASTICITY (NO CROSS TERMS)
White Heteroskedasticity Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID^2 Method: Least Squares Sample: 1993:01 1998:12 Included observations: 72 Variable C LPBIR LPBIR^2 TINT TINT^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.259028 0.526337 -0.054659 1.78E-05 2.57E-07 0.055913 -0.000451 0.010548 0.007454 228.1614 1.808110 Std. Error 5.077344 2.030439 0.203149 0.000365 2.36E-06 t-Statistic -0.247970 0.259223 -0.269059 0.048675 0.108863 Prob. 0.8049 0.7963 0.7887 0.9613 0.9136 0.007502 0.010545 -6.198929 -6.040827 0.992003 0.418075 0.992003 4.025715 Probability Probability 0.418075 0.402537

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Econometra Intermedia Prof. F. Ponce. 2009-I.

H0 : NO EXISTE HETEROSCEDASTICIDAD, o existe homoscedasticidad, H1 : Existe heteroscedasticidad de alguna forma general desconocida. Para este ejemplo, de acuerdo al valor p-value (de probabilidad) de los resultados del test de White sin trminos cruzados, se rechaza la hiptesis nula al (1-0.402)*100= 59.8% de confianza. Si el nivel de rechazo es 95% ( = 5%), con este resultado del estadstico de White = 4.026 concluimos que no existe heteroscedasticidad.

Para evaluar el TEST ARCH LM Estando en la ventana de la ec. estimada:

VIEW / RESIDUAL TESTS / ARCH LM TEST / Nmero de rezagos de la varianza Asumiendo 2 rezagos se obtiene:
ARCH Test: F-statistic Obs*R-squared 0.201282 0.418077 Probability Probability 0.818174 0.811364

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Sample(adjusted): 1993:03 1998:12 Included observations: 70 after adjusting endpoints Variable C RESID^2(-1) RESID^2(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.006359 0.073795 0.008965 0.005973 -0.023700 0.010322 0.007138 222.3533 1.942406 Std. Error 0.001712 0.119576 0.117640 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) t-Statistic 3.714565 0.617139 0.076204 Prob. 0.0004 0.5392 0.9395 0.006970 0.010201 -6.267238 -6.170874 0.201282 0.818174

La hiptesis nula del test ARCH LM es que LA VARIANZA NO PRESENTA UN PROCESO DE COMPORTAMIENTO ARCH(n), es decir, no depende de ella misma rezagada (n) veces. Esto no significa necesariamente que la varianza sea constante, es decir que no exista heteroscedasticidad; simplemente se descarta la posibilidad de que el proceso heteroscedstico que pueda presentar la varianza sea del tipo ARCH(n). De acuerdo a los resultados del test ARCH LM, se tiene que no se puede rechazar la hiptesis nula al {1 (0.818174)}*100 = 18% de confianza. Por lo tanto, se puede concluir que la varianza no presenta un proceso de comportamiento ARCH.

ANLISIS DE AUTOCORRELACIN Para analizar la existencia de autocorrelacin, el E-views nos permite usar los siguinetes test: iii) Durbin-Watson iv) Test LM de Correlacin Serial (Test de Breusch Godfrey) v) Estadtico Q (correlograma) TEST DURBIN-WATSON Asume un proceso autoregresivo de orden 1 de los errores: t = t-1 + t El valor a analizar se obtiene como estadstico incluido en el reporte de la estimacin de MCO:
Durbin-Watson stat 0.812124

Este valor indica que EXISTE AUTOCORELACIN POSITIVA DE ORDEN 1 en los errores. Sin embargo, podra darse el caso que exista autocorrelacin de mayor orden. En ese caso, el D-W no es el test adecuado, pues solo permite identificar autocorrelacin de orden 1. Otras dos restricciones del D-W son:

Econometra Intermedia Prof. F. Ponce. 2009-I.

i) ii)

No es vlido en Modelos Autorregresivos (cuando la endgena rezagada se encuentra como regresor o variable explicativa en el modelo). No es vlido si el modelo no incluye intercepto.

TEST LM DE CORRELACIN SERIAL Este test permite identificar la presencia de autocorrelacin de cualquier orden. Para aplicarlo, estando en la ventana de la ec. estimada: VIEW / RESIDUAL TESTS / SERIAL CORRELATION LM TEST / Nmero de rezagos Se escribe 2 para probar la presencia de autocorrelacin de orden 2, esto es, se asume que los errores se comportan como: t = 1 t-1 + 2 t-2 + t Eviews reporta 2 estadsticos de la regresin auxiliar: i) El estadstico F, que es un test para variables omitidas que evala la significancia conjunta de todos los residuos rezagados. ii) El estadstico n*R2 que es el estadstico del test LM de Breusch-Godfrey. Bajo condiciones el estadistico del test LM es asintticamente distribuido como una Chicuadrado (p).
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Variable C LPBIR TINT RESID(-1) RESID(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 19.42984 26.43024 Probability Probability 0.000000 0.000002

Coefficient 1.093432 -0.213865 -0.000750 0.485567 0.202842 0.367087 0.329301 0.071430 0.341846 90.43858 1.860651

Std. Error 0.752775 0.147349 0.000588 0.119147 0.119514

t-Statistic 1.452534 -1.451415 -1.274993 4.075365 1.697228

Prob. 0.1510 0.1513 0.2067 0.0001 0.0943 2.91E-15 0.087220 -2.373294 -2.215192 9.714919 0.000003

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

La hiptesis nula es que NO EXISTE AUTOCORRELACIN DE ORDEN (p), donde p es el entero pre-especificado, requerido por el test. En este caso, la hiptesis nula es que no existe autocorrelacin de orden 2, mientras que la Hiptesis alternativa es que existe autocorrelacin de orden 2 en los errores. Dado el valor alto del estadstico, se rechaza la hiptesis nula al {1 (0.00000...)}*100 = 99% de confianza. Entonces, se concluye que existe autocorrelacin de orden 2. TEST BOX-PIERCE Q - Correlograma Este Test permite determinar la existencia de autocorrelacin hasta un orden establecido. Muestra las autorcorrelaciones simples y parciales de los residuos en cualquier nmero especificado de rezagos y calcula el estadstico Ljung-Box Q (Q-statistics) para los rezagos correspondientes. Para aplicar el test Q, estando en la ventana de la ecuacin estimada: VIEW / RESIDUAL TESTS / CORRELOGRAM Q-STATISTICS / Nmero de rezagos El nmero de rezagos depender del orden de autocorrelacin que se quiere probar. Por ejemplo, 20 rezagos permitir evaluar la posible existencia de autocorrelacin de orden 1, 2,..., hasta 20. La hiptesis nula es que NO EXISTE AUTOCORRELACIN HASTA EL ORDEN (p)