Está en la página 1de 23

Definicin del problema :

Uno de los supuestos del modelo lineal general es que las distintas relaciones o sub-
muestras que conforman el espacio muestral total, son generados por una misma
estructura econmica. Sin embargo, cuando se tiene sospecha o evidencia de la
existencia de una variacin estructural del sistema econmico subyacente, se aplican las
pruebas de cambio (o quiebre) estructural. De este modo, se verifica si dicha variacin es
lo suficientemente importante como para generar cambios en los coeficientes del
modelo.
Entonces, podemos definir como cambio estructural a la variacin atpica del conjunto
de observaciones, generada por una innovacin o alteracin en la estructura econmica
bsica sobre la cual se sustenta la serie. Entonces, de producirse un cambio estructural,
podemos asegurar que los parmetros no sern constantes para todo el periodo
muestral, en otras palabras, el cambio estructural se genera en aquel periodo donde se
detecta un quiebre pronunciado dentro de la evolucin de la serie.
Los cambios en el modelo de regresin puede ser en intercepto, pendiente o en ambos y
la solucin para cada caso ser (dummies en intercepto, en pendiente o en ambos).
1. Quiebre en intercepto :
En este caso, los efectos sistemticos que afectan a la variable dependiente y que el
modelo no recoge han sufrido un cambio (quiebre estructural) haciendo que vare el
intercepto. Esto implica que ha habido un cambio en el nivel autnomo manteniendo
los efectos marginales (medido por las pendientes).
Grficamente:

X
Xq
Y
t
= |
1q
+ |
2
X
t
+ E
t

Y
t
= |
1
+ |
2
X
t
+ E
t

Y
2. Quiebre en pendiente :
A diferencia del caso anterior, las consecuencias del cambio estructural que no son
recogidos por el modelo afectan a los efectos marginales (coeficientes de regresin). Es
decir, los regresores afectarn en mayor o menor proporcin a la variable explicada a
partir de la fecha de quiebre.
Grficamente :

X
Xq
Y
t
= |
1q
+ |
2g
X
t
+ E
t

Y
t
= |
1
+ |
2
X
t
+ E
t

Y
3. Quiebre en intercepto y en pendiente:
Si el cambio estructural conduce a observaciones que generan una recta de regresin
estimada con distinta pendiente e intercepto a partir del periodo de quiebre. Es una
combinacin de los dos casos anteriores.
Los ejemplos clsicos que se emplean para explicar el proceso de quiebre estructural con
modelos que incluyen series econmicas son las etapas de transicin entre pocas de
guerra y de paz, de auge y de depresin, de desastres naturales, de procesos
hiperinflacionarios, y otros fenmenos que afectan significativamente a las variables
empleadas en el modelo de regresin que se evala.
Cmo detectar un cambio estructural?:
El test de chow o prueba de estabilidad mediante el anlisis de varianza, compara las
sumas de errores al cuadrado (o suma de cuadrados residual) de modelos restrictos e
irrestrictos para analizar la existencia de cambio estructural.
Suponga que se evala la estabilidad de un modelo multivariado de k regresores:

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t


PASO I: Tomar los subconjuntos independientes del total de la muestra y correr una
regresin con las mismas variables explicativas del modelo original. As tenemos:

Y
t
= |
11
+ |
12
X
2t
+ |
13
X
3t
+ ....... + |
1k
X
kt
+ e
t
, t = 1, 2, 3,....., n
1

Y
t
= |
21
+ |
22
X
2t
+ |
23
X
3t
+ ....... + |
2k
X
kt
+ e
t
, t = n
1
+1, ....., n
2


Matricialmente:
Y = X|
1
+ e , de tamao n
1

Y = X|
2
+ e , de tamao n
2

Test de Chow
Se construye el estadstico F tomando en cuenta la suma de cuadrados residual de c/u de
los subconjuntos y la suma de cuadrados residual de la combinacin de ambos. Es decir:
Del modelo:

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t
, SR , para n datos.
Y
t
= |
11
+ |
12
X
2t
+ |
13
X
3t
+ ....... + |
1k
X
kt
+ e
t
, SR1, para n
1
datos.
Y
t
= |
21
+ |
22
X
2t
+ |
23
X
3t
+ ....... + |
2k
X
kt
+ e
t
, SR2, para n
2
datos.

Generamos:
ST*=SR
SR
*
= SR1 + SR2, con ello construimos el cuadro ANVA.
Fuente de Variacin
Grados de libertad
(gl)
Suma
(S)
Cuadrado medio
(CM)
Cociente
F
Debido a la diferencia
de Regresiones( E )
Debido al Error ( R )
Total ( T )
K
1 2
2 n n K +
* * ST SR
* SR
* ST
1 2
n n K +
* * ST SR
K

1 2
*
2
SR
n n K +
1 2
( *- *) /
*/( - 2 )
ST SR K
SR n n K +
ANVA
1) HIPTESIS
H
0
: |
1
= |
2
(Los parmetros de regresin son estables)
H
a
: |
1
|
2
(Los parmetros de regresin no son estables)
2) NIVEL DE SIGNIFICANCIA (o)

3) PUNTOS CRTICOS








4) F CALCULADO



5) CONCLUSIONES

05 . 0 = o
1 2
( *- *) /
*/( - 2 )
c
ST SR K
F
SR n n K
=
+
Si F
c
> F
t
, rechazo H
0
, es decir, los parmetros no son estables.
Si F
c
F
t
, acepto H
0
, es decir, los parmetros son estables.

Como se vio anteriormente, el test de Chow realiza un anlisis basado en la composicin
del espacio muestral en dos realizaciones o submuestras. Un supuesto esencial en la
ejecucin de este Test es que la varianza para cada subconjunto es idntica puesto que de
no ser as, se violara uno de los supuestos del modelo lineal general, ya que se aceptara
la existencia de heterscedasticidad.
Puesto que se evalan dos subconjuntos independientes y diferentes que conforman el
espacio muestral total, el supuesto de homoscedasticidad implica que las regresiones de
dichos subconjuntos tienen un trmino de error que se distribuye con una varianza
idntica para cada sub-muestra.
Segn estudios realizados por Ohtani y Toyoda (1985, 1986), bajo estas circunstancias, se
podra sobreestimar el nivel de significancia de las pruebas estadsticas tratado en el Test
de Chow.
Una vez que se haya constatado que las varianzas difieren considerablemente para cada
uno de las sub-muestras (de un modo semejante al sugerido en el Test de Goldfeld y
Quandt) y teniendo en cuenta que el Test de Wald es aplicable solo para muestras
grandes, se realiza la prueba de estabilidad de los parmetros.

Test de Wald (para muestras grandes)
Supongamos dos modelos para cada sub-muestra:

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t
, de tamao n
1
, Var(|
1
) = V
1

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t
, de tamao n
2
, Var(|
2
) = V
2


Bajo el supuesto de hiptesis nula.

(|
1
- |
2
) ~ N (0, V
1
+ V
2
)

Nota: Cuando las sub-muestras son pequeas existe una alta probabilidad de
cometer un error de tipo I, es decir, de rechazar H
0
, cuando en realidad es
verdadero.

1) HIPTESIS
H
0
: |
1
- |
2
= 0 (Los dos estimadores tienen el mismo valor esperado o sus parmetros
son estables)
H
a
: |
1
- |
2
= 0 (Los dos estimadores tienen diferente valor esperado o sus parmetros
son inestables
2) NIVEL DE SIGNIFICANCIA (o)

3) PUNTOS CRTICOS








4) F CALCULADO



5) CONCLUSIONES

05 . 0 = o
( ) ( ) ( )
-1
2
1 2 1 2 1 2
- V + V -
c
X | | | |
'
=
Si X
2
c
> X
2
t
, rechazo H
0
, los parmetros son inestables.
Si X
2
c
X
2
t
, acepto H
0
, los parmetros son estables.

Correccin de un Cambio Estructural :
Para corregir el problema de cambio estructural surgen dos posibles soluciones:
1. Reespecificacin del Modelo
Si no se posee la certeza de que el modelo que se est empleando para explicar el
comportamiento de la variable dependiente est bien especificado, es decir, si no
presenta una estructura tal que las variables independientes explican con un grado de
ajuste elevado a la variable dependiente a pesar de los ciclos y fluctuaciones que ella
presenta, entonces es conveniente tratar de reespecificar el modelo introduciendo
nuevas variables o extrayendo las irrelevantes.
En este sentido, si se acepta la hiptesis de cambio estructural dentro de modelos
deficientemente especificados, se estara aceptando la existencia de un problema
subsanable con una correcta especificacin.
Las conclusiones en la que deben basarse acerca del error de especificacin, y que deben
considerarse son las siguientes:
En el caso de omisin de variables relevantes, existir un sesgo de estimacin de los
parmetros.
En el caso de introduccin de variables irrelevantes, el estimador no es sesgado,
entonces podra considerarse razonable una estrategia de introducir una elevada
cantidad de variables explicativas en el modelo de regresin. Sin embargo, tal estrategia
conduce a aumentar la varianza con que se estiman los coeficientes de las variables
explicativas verdaderamente relevantes, sobre las que se perdera en consecuencia,
precisin.
2. Introduccin de variables dicotmicas
El procedimiento algebraico para solucionar el problema de series de tiempo que
presentan quiebre depender si el cambio estructural es en media, tendencia o en
ambas. Sin embargo, en todos los casos se har un uso de variables dummy o
dicotmicas.
Dado que las variables dicotmicas pueden tomar solo dos valores (1 y 0), se deduce
rpidamente que tomar un valor para el sub-espacio anterior al quiebre y otro para el
posterior.
Cambio en intercepto:
En este caso, el procedimiento para la correccin consiste en introducir una dummy
aditiva al modelo, la que tomar valores nulos para el periodo anterior al quiebre y
valores unitarios a partir del l.

Es decir, sea el modelo:
Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t
, modelo original

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ d + e
t
, modelo con dummy

Donde:
d = 0, para todo t =1, 2, 3, ......., n
quiebre
Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t


d = 1, para todo t= n
quiebre +1
, ......, n
Y
t
= (|
1
+ ) + |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t

Cambio en pendiente:
En este caso la correccin se realiza introduciendo una variable dummy multiplicativa a
modelo que tomar valores nulos para el periodo anterior al quiebre y valores unitarios a
partir de l. Esta variable afectar directamente al regresor que est ocasionando el
quiebre. Si fuesen varias las variables explicativas que presentan un cambio un cambio
estructural, se deber incluir una dummy por cada uno de ellos.

Su ponga un modelo vivariado:
Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t
, modelo original

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ dX
2t
+ e
t
, modelo con una dummy

Donde:
d = 0, para todo t =1, 2, 3, ......., n
quiebre

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt


d = 1, para todo t= n
quiebre +1
, ......, n
Y
t
= |
1
+ (|
2
+ )X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t

Cambio en intercepto y pendiente:
La solucin en este caso es la fusin de las dos series de tiempo anteriores:

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+ e
t
, modelo original

Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt
+
1
d
1
X
2t
+
2
d
2
+ e
t
, modelo con dos dummy

Donde:
d
1
= 0, para todo t =1, 2, 3, ......., n
quiebre
y d
2
= 0, para todo t =1, 2, 3, ......., n
quiebre
Y
t
= |
1
+ |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt


d
1
= 0, para todo t =1, 2, 3, ......., n
quiebre
y d
2
= 1, para todo t =1, 2, 3, ......., n
quiebre
Y
t
= (|
1
+
2
) + |
2
X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt

d
1
= 1, para todo t =1, 2, 3, ......., n
quiebre
y d
2
= 0, para todo t =1, 2, 3, ......., n
quiebre
Y
t
= |
1
+ (|
2
+
1
)

X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt


d
1
= 1, para todo t =1, 2, 3, ......., n
quiebre
y d
2
= 1, para todo t =1, 2, 3, ......., n
quiebre
Y
t
= (|
1
+
2
) + (|
2
+
1
)

X
2t
+ |
3
X
3t
+ ....... + |
k
X
kt


Se pretende estimar el modelo de PRESTAMO frente a las explicativas INTERESES y
AHORRO:
PRESTAMO INTERES AHORRO AO
1,658,627.59 28.13 37,214.80 1984
1,834,717.59 26.68 39,496.80 1985
2,053,006.94 32.47 42,288.40 1986
2,314,967.45 44.88 46,309.20 1987
2,592,092.70 56.30 52,068.80 1988
2,895,439.16 66.79 58,234.40 1989
3,150,240.36 64.48 62,988.80 1990
3,343,696.19 50.29 65,895.20 1991
72,424.42 47.30 2,442.20 1992
78,617.25 44.36 2,538.40 1993
83,803.84 35.00 2,607.50 1994
88,850.58 30.68 2,680.90 1995
94,684.67 32.49 2,784.80 1996
101,651.93 38.44 2,908.50 1997
108,836.49 40.62 3,057.30 1998
114,563.77 33.59 3,204.20 1999
120,281.74 23.06 3,320.00 2000
126,431.55 16.85 3,419.50 2001
133,009.54 18.95 3,514.60 2002
Estimamos el modelo propuesto:
Aparentemente el modelo es adecuado, por cuanto el coeficiente de determinacion es
alto, la prueba global de los estimadores (F bajo) seala que el modelo es adecuado y las
pruebas t para los estimadores son bajos; pero se presenta un quiebre en intercepto, el
quiebre se produce en el ao 1992.
Realizando el Test de Chow:
El Test de Chow nos seala que existe un quiebre en el ao 1992, por cuanto la
probabilidad de Fc esta por debajo del 5% de significancia (0.006277).
Estimamos el modelo corregido utilizando una variable Dummy para corregir el quiebre
estructural:
El quiebre estructural se ha corregido pero ahora se presenta multicolinealidad entre las
variables INTERS Y AHORRO.
Estimamos el modelo corregido utilizando una variable I (INTERS*AHORRO/100):
La multicolinealidad se ha corregido.
Se pretende estimar el modelo de VENTAS frente a las explicativas GASTOS, PRECIO,
NDICE y TC (Tipo de cambio):
VENTAS GASTOS PRECIO INDICE TC PERIODO
1,129,964 337,953 512 30.9585 60.00 1985
1,704,675 469,338 605 40.6390 74.00 1986
2,063,530 574,145 761 52.0767 98.00 1987
2,670,550 735,794 833 64.7923 105.00 1988
3,258,747 856,275 893 76.7093 1.00 1989
3,908,028 999,768 967 88.9457 1.50 1990
4,245,080 1,170,912 1083 77.3802 1.98 1991
62,951 12,214 1286 1.0990 2.01 1992
63,951 12,376 1464 1.1118 2.08 1993
64,297 12,518 1632 1.1022 3.00 1994
67,837 13,120 1758 1.1502 3.01 1995
68,571 13,746 1814 1.1693 3.10 1996
71,809 14,364 1946 1.1821 3.16 1997
76,854 14,901 2074 1.2141 3.25 1998
81,291 15,348 2173 1.2109 3.28 1999
81,172 15,926 2311 1.2173 3.32 2000
84,229 16,278 2504 1.2236 3.39 2001
82,414 16,543 2751 1.2300 3.42 2002
84,327 16,428 3080 1.2396 3.45 2003
85,808 16,879 3433 1.2780 3.50 2004
88,512 17,368 3643 1.2812 3.52 2005
90,216 17,916 3825 1.2875 3.48 2006
96,946 18,371 4091 1.3003 3.35 2007