Econometr+¡a-I (CLASES - UPG-2014-1)

UPG-Maestra en Gestin y
Polticas Pblicas
Curso: Econometra
Prof. Mg. Cornelio V. Ticse Nez
Ciclo 2014-I
Facultad de Economa - UNMSM
Mg. Cornelio Ticse Nez. 2
Estructura del Curso (1 Parte)

1.- Introduccin.
2.- Modelo de Regresin Lineal General (MLG).
3.- Estimacin Mnimocuadrtica y Pruebas de
Inferencia Estadstica.
4.- Violacin a Supuestos, correccin y Prediccin
Puntual e Intervlica.
5.- Modelos de Eleccin Discreta: Probit, Logit y
Tobit.
6.- Aplicaciones con Eviews.
HECHOS
DATOS
TEORAS
MODELOS
FENMENOS
INTUICIONES
Problema real
Planteamiento del problema
Objetos y medios
Modelos Estadsticos
(Clculo de probabilidades)
Recoleccin de informacin muestral
(Tcnicas de muestreo ; diseo de experimentos)
Depuracin de los datos
(Anlisis de datos)
Estimacin de los parmetros
(Teora de la estimacin)
Mg. Cornelio Ticse Nez.

5
Contrastes de Simplificacin
(Contrastes de hiptesis)

Crtica y Diagnosis del Modelo
(Anlisis de datos)
Nuevo Conocimiento
Previsiones Decisiones

6
Dos ejemplos de modelos cuantitativos
Cmo especificar un Modelo
Economtrico del Crecimiento
Econmico en el Per?
Cmo especificar un Modelo
de las Exportaciones Peruanas?
Variables:
- V. Dependiente (PBI)
- V. Independientes: capital
(K), Mano de Obra (L), Tierra
(T)
Hiptesis:
S1.- El K influye (+) el PBI.
S2.- El L influye (+) el PBI.
S3.- La T influye (+) el PBI
Variables:
- V. Dependiente (EXP)
- V. Independientes: PBI del
RM, Tipo de Cambio Real
(TCR), Subsidio cruzado
(Sb
c
).
Hiptesis:
S1.- PBI-RM influye (+) a
EXP.
S2.- TCR influye (+) a EXP.
S3.- Subsidio cruzado influye
(+) a las EXP.

7
RECOLECCIN DE
INFORMACIN
ESTIMACIN
PARMETROS

CONTRASTES
DE HiPTESIS.
CRTICA DEL
MODELO

Fuente primaria,
secundaria.
Encuestas.
Estimar:
o sea propensiones
marginales..
o
2
= varianza del
error.
Estimar:
El efecto del TCR, PBI
del resto del Mundo y el
Subsiduo cruzado sobre
Exportaciones o sea las
propensiones marginales
(), y
2
.
Son los , significativos, a
nivel individual (Prueba t) o
en conjunto (Prueba F)?
Son los , significativos,
a nivel individual y en
conjunto ?
Es la relacin entre PBI y los
factores :capital, trabajo y
Tierra; lineal o no lineal, en los
parmetros, en las variables o
en ambos?
Es la relacin de las EXP.
con el TCR, PBI rm y el
subsidio cruzado, lineal, no
lineal?


8
Qu es la Econometra ?
Disciplina que se ocupa del anlisis cuantitativo
de los fenmenos econmicos, contrastando con la
realidad (poblacin) los supuestos que nos
proporciona la Teora Econmica, utilizando
supuestos matemticos, estadsticos y software
economtrico.

Rol de la econometra : Proporciona
el mtodo para estudiar y medir las
relaciones de las variables
econmicas (teora vs realidad)

9
Aplicaciones de los modelos
Economtricos

Ciencias de la Ingeniera
Ciencias Econmicas
Ciencias Naturales
Ciencias Mdicas
Ciencias polticas y sociales
Econometra
La Econometra se ocupa del estudio de
estructuras que permitan analizar
caractersticas o propiedades de una variable
econmica utilizando como causas explicativas
otras variables econmicas.
10
Modelo
Un modelo es la representacin simplificada
de cualquier fenmeno, proceso, institucin y
en general de cualquier sistema.
Un sistema es un conjunto de elementos que
se encuentran en interaccin.
11
Tipos de modelo
Modelo mental: Representacin no explcita o
exteriorizada.
Modelo verbal: Descripcin del modelo mental en
lenguaje ordinario.
Modelo fsico: Representacin de un sistema en
forma material o mediante objetos.
Modelo matemtico: Descripcin del sistema con la
ayuda del lenguaje matemtico.

12
Modelo econmico y modelo
economtrico
Modelo econmico. Son leyes o relaciones econmicas
que son aplicables con validez general a diversos
sistemas concretos a travs del tiempo.
Modelo economtrico: Es un modelo especfico de
aplicacin a sistemas reales concretos, basado en un
modelo econmico pero desarrollado con las
caractersticas particulares del sistema en estudio.
Tiene validez limitada por el sistema de referencia o el
periodo temporal.
13
Objeto y mtodo de la investigacin
economtrica
El papel esencial de la econometra es la estimacin y
verificacin de los modelos economtricos.
Proceso:
Especificacin del modelo en forma matemtica.
Reunin de datos apropiados y relevantes de la economa
o sector que el modelo se propone describir.
Con los datos se estima los parmetros del modelo
Realizar pruebas con el modelo para analizar si es valido o
si es necesario modificar la especificacin.
14
Tipos de modelos economtricos
Modelos estructurales: la especificacin,
lineal o no lineal, del modelo se basa en las
relaciones estructurales establecidas por el
modelo econmico para explicar el
comportamiento, la variable o sistema bajo
estudio
Modelos de regresin uniecuacionales
Modelos de simulacin o multiecuacional
15
Tipos de modelos economtricos
Modelos de series temporales: Examinan el
comportamiento pasado de una serie temporal para
inferir su comportamiento futuro. Se utiliza cuando
se tiene escaso conocimiento sobre las relaciones
causales del proceso que se trata de predecir. Son
muy fiables para predicciones a corto plazo.
Modelos Uniecuacionales: ARIMA, SARIMA
Modelos Multiecuacionales: VAR
16
Relacin entre variables econmicas
y regresin esprea
Todo modelo economtrico exige una teora
econmica previa, sin ella caere-mos en el
mero clculo de relaciones observacionales
entre las variables.
Regresin esprea: Es aquella regresin que
no tiene significado ni explicacin en la teora
econmica
17
18
El clculo de coeficientes de correlacin y el trazado satisfactorio de
lneas de regresin no debe confundirse con un mtodo para hallar
leyes, confusin tan frecuente en las ciencias sociales.
Cuando se adopta un modelo de regresin lineal y se calculan los
parmetros a partir de los datos, la ley central que se supone rige esa
informacin ruidosa (dispersa) no se ha descubierto, sino que se ha
supuesto desde el principio.
No hay elaboracin de datos estadsticos que produzca por si nuevas
hiptesis, por no hablar ya de leyes, en general, no hay esfuerzo
tcnico, por grande que sea, ni emprico, ni matemtico, que pueda
ahorrarnos el trabajo de inventar nuevas ideas, aunque sin duda
aquel trabajo tcnico puede muy bien disimular la falta de ideas.
Mario Bunge
Proceso de contrastacin de teoras segn Koutsoyiannis (1973)
19
Teora
Expresin matemtica de la teora:
Modelo
Confrontacin del modelo
con los datos
Aceptacin de la
teora si es compatible
con lo datos
Confrontacin con
nuevos datos
Rechazo de la teora
si es incompatible
con lo datos
Revisin de la teora
si es incompatible
con lo datos
Mg. Beatriz Castaeda 20
Compatibilidad con datos
con elevada probabilidad
Incompatibilidad con datos
con elevada probabilidad
Contraste con datos no con-
cluyente (reducida prob. o resul-
tados opuestos compensados)
Teora
Modelo adoptado para contrastacin
Confrontacin del modelo
con datos del marco de referencia
Conjunto de
datos 1
Modelo econo-
mtrico 1
Modelo econo-
mtrico 2
Modelo econo-
mtrico N-1
Modelo econo-
mtrico N
Conjunto de
datos 2
Conjunto de
datos N-1
Conjunto de
datos N
Para todos los modelos
y conjuntos de datos
Confirma eventualmente
la bondad de la teora
Nuevos
modelos
economtricos
y aplicacin
con nuevos
datos
Nuevos
desarrollos
tericos
Nuevos desarrollos te-
ricos en la misma lnea
Para algunos modelos
Informa sobre grado de
aceptabilidad de la teora
Nuevos desarrollos te-
ricos c/posibles correc.
Para todos los modelos
Rechazo
de la teora
Bsqueda de nuevos
caminos tericos
PROCESO GENERAL DE CONTRASTACIN DE TEORIAS
El papel de los modelos economtricos en la
investigacin econmica aplicada
t t t
Z b X b b Y
2 1 0
+ + =
21
a) Anlisis estructural: Nos permite evaluar el impacto en Y
t
de las
variaciones ocurridas en X
t
y Z
t
.
b) Prediccin de Y
t
dados unos hipotticos valores futuros para X
t
y Z
t
.
c) Evaluacin de polticas o simulacin de los efectos que tienen sobre
Y
T+h
diferentes estrategias que afectan a las variables explicativas.
Sea el modelo estimado
El conocimiento de los coeficientes b
0
, b
1
y b
2
nos permite realizar
22
MODELO ECONOMETRICO
LINEAL NO LINEAL
Multiecuacional Uniecuacional Uniecuacional Multiecuacional
Modelo de regresin lineal mltiple
n Kn K n n
K K
K K
X X Y
X X Y
X X Y
c | | |
c | | |
c | | |
+ + + + =
+ + + + =
+ + + + =
...
.. ..........
...
...
2 2 1
2 2 22 2 1 2
1 1 21 2 1 1
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
23
Sean las variables Y, X
2
, ., X
k
, c donde:
Y : variable observable (variable endgena o variable explicada)
X
2
, ., X
k
: variables predeterminadas (variable exgenas o variables explicativas)
c : variable aleatoria no observable (variable perturbacin)
Dada una muestra de tamao n, tenemos:
Se plantea el modelo:
Mg. Cornelio Ticse Nez
Notacin matricial
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
(
(
(
(
+
(
(
(
(
(
(
(
(
=
(
(
(
(
n k kn n n
k
k
n
x x x
x x x
x x x
y
y
y
c
c
c
|
|
|
... ...
... 1
... ... ... ... ...
... 1
... 1
...
2
1
2
1
3 2
2 32 22
1 31 21
2
1
24
Y X | + c =
n Kn K n n
K K
K K
X X Y
X X Y
X X Y
c | | |
c | | |
c | | |
+ + + + =
+ + + + =
+ + + + =
...
.. ..........
...
...
2 2 1
2 2 22 2 1 2
1 1 21 2 1 1
Supuestos del modelo
(
(
(
(
=
=
=
=
0 ) (
.....
0 ) (
0 ) (
) (
2
1
n
E
E
E
E
c
c
c
c
| |
(
(
(
(
(
=
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
= =
2
2
2
2
2 1
2
2
2 1 2
1 2 1
2
1
2 1
2
1
... 0 0
... ... ... ...
0 ... 0
0 ... 0
) ( ... ) ( ) (
... ... ... ...
) ( ... ) ( ) (
) ( ... ) ( ) (
...
...
) ( ) (
o
o
o
c c c c c
c c c c c
c c c c c
c c c
c
c
c
cc c
n n n
n
n
n
n
E E E
E E E
E E E
E E V
25
1. Y
i
es variable observable, variable dependiente.
2. X
i
son variables fijas (con valores predeterminados, no colineales
(linealmente independientes). Rango (X) = K. Variables explicativas o
independientes.
3. c
i
son variables aleatorias homocedasticas e incorrelacionadas, es decir,
E(c
i
) = 0; V(c
i
) = o
2
; Cov (c
i
, c
j
) = 0.
4. El nmero de observaciones excede al de parmetros a estimar.
Propiedades de matrices y
Distribuciones de probabilidad
26
1. A es simtrica
A
T
= A
2. A es idempotente A
n
= A
3. A es simtrica e idempotente (A) = Traza (A)
4. Si - AB y BA Traza (AB) = Traza (BA)
Propiedades de matrices y
Distribuciones de probabilidad
27
5. Si X
(kx1)
es N(, V) y si T
pxk
es una matriz de coeficientes con (T) = p
TX tiene distribucin N(T, TVT)
Puesto que TX genera
combinaciones lineales de
variables normales
6. Si X
(kx1)
es N(0, I) y A es una matriz simtrica e idempotente
XAX es _
2
(r)
con r = Traza(A)
7. XAX y XBX son formas cuadrticas independientes
AB=0
Estimador de Mnimos Cuadrados Ordinarios
(MCO)
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
(
(
(
(
(
=
k
|
|
|
|
...
2
1
)
...

(
3 3 2 2 1 ki k i i i i i i
X X X Y Y Y e | | | | + + + + = =
ki k i i i
X X X Y | | | |

...

3 3 2 2 1
+ + + + =
28
Dado el estimador
Obtenemos el valor calculado
y el residuo o error de estimacin
Sea
29
El mtodo de mnimos cuadrados ordinarios consiste en obtener los estimadores
de |
i
minimizando la suma de cuadrados de los errores, esto es,
e e X X X Y e S
ki k i i
n
i
i
n
i
i
)]
...

( [ )
(
2
3 3 2 2
1
1
1
2
= + + + + = =

= =
| | | | |
| |

=
=
(
(
(
(
= =
n
i
n
n
i
e
e
e
e
e e e e e S
1
2 2
1
2 1
...
... )
(|
)
)(
( )
)(
( )
( | | | X Y X Y Y Y Y Y e e S = = =
Y Y
Y Y
Y Y
Y Y
e
n n
......
2 2
1 1
=
(
(
(
(
(
=
Mg. Cornelio Ticse Nez 30
Para minimizar )
(| S
por la condicin de primer orden obtenemos las derivadas
respecto a cada
i
|
2
3 3 2 2
1
1
)]
...

( [ )
(
ki k i i
n
i
i
X X X Y S | | | | | + + + + =
=
e igualamos a 0
0 ) 1 ( )
...

( ( 2
(
3 3 2 2
1
1
1
= + + + + =
c
c
=
ki k i i
n
i
i
X X X Y
S
| | | |
|
|
0 ) ( )
...

( ( 2
(
2 3 3 2 2
1
1
2
= + + + + =
c
c
=
i ki k i i
n
i
i
X X X X Y
S
| | | |
|
|
0 ) )(
...

( ( 2
(
3 3 2 2
1
1
= + + + + =
c
c
=
ki ki k i i
n
i
i
k
X X X X Y
S
| | | |
|
|
.
Con estas igualdades formamos un sistema de ecuaciones, denominadas ecuaciones normales

= = = =
+ + + + =
n
i
ki k
n
i
i
n
i
i
n
i
i
X X X n Y
1 1
3 3
1
2 2
1
1

...

| | | |
ki
n
i
i k i
n
i
i
n
i
n
i
i
n
i
i i
X X X X X X X Y
i

= = = = =
+ + + + =
1
2 3
1
2 3
1
2
2
1
2
1
1 2

...

2
| | | |

= = = = =
+ + + + =
n
i
k i
n
i
ki i
n
i
ki
n
i
ki
n
i
ki i
ki
X X X X X X X Y
1
2
3
1
3 2
1
2
1 1
1

...

| | | |
.
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(

k
ki i ki i ki
ki i i i
i
i
ki i i
n kn k k k
n
ki
x x x x x x
x x x x x x
x x x n
y
y
y
x x x x
x x x x
|
|
|
...
...
... ... ... ... ...
...
...
...
...
... ... ... ... ...
...
1 ... 1 1 1
2
1
2
3 2
2 3 2
2
2
2
3 2
2
1
3 2 1
2 23 22 21
XY = (XX)
|
Y X X X ) (
1
= |
Sistema de ecuaciones normales
32
)
( )
( )
)(
( )
( | | | | | X Y X Y X Y X Y e e S = = =
Utilizando la expresin matricial para
)
(| S
| | | |

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

2 X X Y X Y Y + =
0
) ( 2 2
(
= + =
c
c
|
|
|
X X Y X
S
|
) ( X X Y X =
Y X X X ) (
1
= |
Propiedades de los estimadores
| | = )
( E
c | c | | ) ( ) ( ) ( ) (
1 1 1
X X X X X X X Y X X X

+ = + = =
| c | | = + =

) ( ] ) [( )
(
1
E X X X E
1 2
) ( )
(

= X X V o |
33
1) Insesgado:
2)
c | | ) (
1
X X X

=
)]
)(
[( )
( | | | | | = E V
] ) ( ) [(
1 1
= X X X X X X E cc
1 2 1 1 1
) ( ) ( ) ( ) ( ) ( ) (

= = X X X I X X X X X X E X X X o cc
1 2
) (

= X X o
Funcin lineal de las perturbaciones
Funcin lineal de las obs. Y
Teorema de Gauss-Markov
sea y de lineal estimador un Y A Sea | |
~ ~
= que o de kxT matriz X X X A A mod , ; ) (
~
1
=
c | | c | | ] ) [( ) ( ] ) ( [ ] ) ( [
~
1 1 1
X X X AX X X X X A Y X X X A

+ + = + + = + = | | | + = AX E Luego )
~
(
El estimador MCO es el estimador lineal insesgado ptimo, en el sentido de
que cualquier otro estimador lineal insesgado tiene una matriz de
covarianzas mayor que la del estimador MCO
Demostracin
0
~
= AX que tal es A si slo insesgado ser as |
c | | ] ) ( [
~
1
X X X A

+ + = Si se cumple condicin, el vector quedara expresado como:
La matriz de convarianzas de
ser |
~
} { ) ] ) ( ([ ) ] ) ( ([ )]
~
)(
~
[( )
~
(
1 1
c c | | | | | X X X A X X X A E E V

+ + = =
)
( ) ( ) (
1 2 1 2 2
MCO
V X X X X AA | o o o
c c c
= ) + =

Estimador de o
2

Y X X X X X X Y e ) (
1
+ = = c | |
) ( ) (
1
c | c | + + =

X X X X X X
c c ) (
1
X X X X

=
c c M X X X X I = =

] ) ( [
1
35 Mg. Cornelio Ticse Nez
e idempotent e simtrica es M
M X X X X I X X X X I M = = =

) ( ] ) ( [
1 1
] ) ( ][ ) ( [
1 1
X X X X I X X X X I MM

=
) ( ) ( ) ( ) (
1 1 1 1
X X X X X X X X X X X X X X X X I

+ =
M X X X X I = =

) (
1
c c c c c c | M M M M M e e e S
i
) )( ( )
(
2
= = = = =
+ = =

= =
j i
j i
ij
n
i
ii i
a a E M E e E
i
c c c c c
1
2 2
) ( ) (
) (
2

+ =
j i ij ii
E a a c c o
) ( ) (
2 2
k n M Traza = =
c c
o o
) ) ( ( ) (
1
X X X X I Traza M Traza
nxn

=
) ) ( ( ) (
1
X X X X Traza I Traza

=
k n I Traza n X X X X Traza n
kxk
= = =

) ( ) ) ((
1
k n
e e
k n
e
i
2
2
c
o
Es un estimador insesgado de
2
c
o
37
k n
e e
k n
e
i
2
2
c
o
2 2
e
S =
c
o
| | |

2 X X Y X Y Y e e + =
Clculo de
] ) [(
2
1
Y X X X X X Y X Y Y e e

+ = | |
Y X Y Y e e
| =
k n
Y X Y Y
S
e

= =
) (
2 2
|
o
c
38
Para las variables Y, X2, X3, X4 se plante el siguiente modelo
Y`Y = 10
(
(
(
(

=
(
(
(
(
=
(
(
(
(
=

125 . 0 0 0 0
0 1818 . 0 0227 . 0 0455 . 0
0 0227 . 0 1591 . 0 0682 . 0
0 0455 . 0 0682 . 0 1364 . 0
) ` (
8 0 0 0
0 6 0 2
0 0 8 4
0 2 4 10
`
3
2
3
3
1
X X X X Y X
n i para X X X Y
i i i i i
, 1 ,
4 4 3 3 2 2 1
= + + + + = c | | | |
Obtenemos los estimadores de los parmetros con la siguiente informacin
resumida de la data obtenida para una muestra:
Y X X X ) (
1
= |
(
(
(
(
=
38 . 0
16 . 0
64 . 0
52 . 0
|
i i i i
X X X Y
4 3 2
38 . 0 16 . 0 64 . 0 52 . 0 + =
8466 , 0
6
9205 , 4 10 ) (
2 2
=
= =
k n
Y X Y Y
S
e
|
o
c
39
n i para X X X Y
i i i i i
, 1 ,
4 4 3 3 2 2 1
= + + + + = c | | | |
i i i i i
e X X X Y + + =
4 3 2
38 . 0 16 . 0 64 . 0 52 . 0
Modelo:
Modelo estimado
9201 , 0 ; 8466 , 0
2
= =
e e
S S
(
(
(
(

= =

1058 . 0 0 0 0
0 1539 . 0 019 . 0 0455 . 0
0 019 . 0 1347 . 0 058 . 0
0 0385 . 0 058 . 0 1154 . 0
) ` ( ) (
1 2
X X S V
e
|
40
y
i i
X Y
2 1

| | + =
y
x

x
i

y
i

Coeficiente de determinacin R
2
)
( )
( y y y Y y Y
i i i i
+ =
Variacin
Total
Variacin
explicada por
la regresin
Variacin
no explicada
error
= =
2
2
2
) (
)
(
y Y
y y
SCT
SCR
R
i
i
Este coeficiente indica en que proporcin
la variacin de Y es explicada por el
modelo de regresin
= =
2
2
2
) (
1 1
y Y
e
SCT
SCE
R
i
i

= = =
+ =
n
i
i
n
i
i i
n
i
i
Y y y Y Y Y
1
2
1
2
1
2
)
( )
( ) (
SCT SCE SCR =
+
41
= =
2
2
2
) (
1 1
y Y
e
SCT
SCE
R
i
i
2 2
2 2
2
2 2
2
)
(
) (
) (
Y n Y
Y X Y Y Y n Y
Y Y
e Y Y
R
i
i
i
i i

|
2
2
2
Y n Y Y
Y n Y X
R

=
|
42
Coeficiente de determinacin ajustado
2
R
=
2
2
2
) (
1
y Y
e
R
i
i
Al considerar a R
2
como un indicador del poder explicativo del modelo, debemos
tener en cuenta que al comparar dos modelos con diferente nmero de variables
explicativas, el modelo con ms variables siempre tendr un R
2
mayor.
Para determinar que tanto mejora el poder explicativo del modelo al adicionar
nuevas variables se propone una modificacin en el clculo del R
2
al que se
denomina R
2
ajustado.
) 1 (
1
1
)] 1 /( [
)] /( [
1
2
2
R
k n
n
n SCT
k n SCE
R
=
Este coeficiente es sensible al nmero de variables adicionadas, de manera que si
las variables adicionadas no incrementan de manera significativa el poder explicativo
el R
2
ajustado se reducir.
43
Distribuciones de los estimadores
Si el vector de perturbaciones c tiene distribucin normal multivariante
) , 0 (
2
I N
c
o
entonces:
c | | ) ( ) (
1 1
X X X Y X X X

+ = =
Es funcin lineal de las perturbaciones, y por lo tanto
) ) ( , (
1 2
X X N normal n distribuci tiene
c
o | |
1)
Luego, cada
1 2
) ( ); , ( .

e X X a donde a N distrib tiene
ii ii i i c
o | |
2)
2
) (
2 2
2
.
) (
k n
e
dist tiene
M S k n

=
_
o
c c
o
c c
) , 0 ( .
1
n
I N dist tiene c
c
o
44
3)
2
) (
1
. )
( )]
( )[
(
k
dist tiene V _ | | | | |

2
1
)
( )
(
)
( )]
( )[
(
c
o
| | | |
| | | | |

=

X X
V
2 2 2
) )( ( )]
( [ )]
( [
c c c
o
c c
o
c c
o
| | | | N N N X X
= =

=
c c | | | | + = = = )
( ) (

)
( Y Y Y Y X X X
c c c c c N X X X X M I M = = = + =

) ) ( ( ) (
1
Traza(N) = K

45
2
) (
2 2
2
.
) (
k n
e
dist tiene
M S k n

=
_
o
c c
o
c c
2
) (
2
1
.
( )]
( )[
(
k
dist tiene
N
V _
o
c c
| | | | |
c
=

0 ) ( = = = MM M M I M MN
Entonces las dos formas cuadrticas son independientes
Luego
) , (
2
.
/ )]
( )
[(
k n k
e
F dist tiene
S
k X X
F

=
| | | |

46
Estimacin y Prueba de Hiptesis para los parmetros del modelo
1. Para
i
|
) , (
2
ii i i
a N es Como
c
o | |
2
) (
2
2
.
) (
k n
e
dist tiene
S k n
y

_
o
c
) (
2
) (
2
) (
)
(
)
(
k n
ii e
i i
k n
e
S k n
ii
a
i i
t es
a S
T

= =
| |
c
o
c
o
| |
0 t
1-o/2

t
(n-k)

o/2 o/2
- t
1-o/2

2 / 1 2 / 1
)
(
o o
| |

<
= < t
a S
T t
ii e
i i
Obtenemos
i
S t L
i
|
o
|

2 / 1

=
Estimacin por intervalo
Prueba de Hiptesis
*
1
*
0
: :
i i
i i
H H | | | | = =
Estadstica de la Prueba
cierta es H si t es
a S
T
k n
ii e
i i
0 ) (
*
)
=
| |
0 t
1-o/2

t
(n-k)

o/2 o/2
- t
1-o/2

Decisin
Rechazar la H
0
a favor de H
1
si
2 / 1 2 / 1 o o
> < t T o t T
2. Para
2
c
o
2
) (
2
2
.
) (
k n
e
dist tiene
S k n

_
o
c
o/2
o/2
2
) ( k n
_
2
2 / o
_
2
2 / 1 o
_

2
2 / 1
2
2
2
2 /
) (
o
c
o
_
o
_

<
<
e
S k n
Obtenemos
2
2 / 1
2
) (
o
_

=
e
i
S k n
L
2
2 /
2
) (
o
_
e
s
S k n
L

=
1-o

49
Prueba de Hiptesis
0
1
0
0
: : | | | | = = H H
(
(
(
(
(
=
0
0
2
0
1
0
....
k
|
|
|
|
cierta es H si F dist tiene
S
k X X
F
k n k
e
0 ) , (
2
0 0
.
/ )]
]( )[
[(

=
| | | |
o
F
(k ,n-k)

F
1-o

Decisin
Rechazar la H
0
a favor de H
1
si
F > F
1-o


50
Prueba de Hiptesis para restricciones lineales
Sea el modelo
n i para X X Y
i i i i
, 1 , ....
5 5 2 2 1
= + + + + = c | | |
Para el cual se formula las siguientes hiptesis
=
= +
=
2 3
0 4
8 3
: . 1
2 5
1 4
5 3
0
| |
| |
| |
H
r R H = | :
0
(
(
(
=
(
(
(
(
(
(
(
(
(
2
0
8
3 0 0 1 0
0 4 0 0 1
1 0 3 0 0
5
4
3
2
1
|
|
|
|
|
R |
r
Restricciones lineales

51
r R H = | :
0
k q R r R H
qxk
s = ; :
0
|
Prueba de Hiptesis para restricciones lineales
Rango( R ) = q (las restriciones son
linealmente independientes)
1. Prueba o Test de Wald
Estadstica
2
) (
1
)
( )]
( )[
(
q
es r R r R V r R W _ | | | =

) ) ( , (
1 2
X X N es
c
o | |
)]
( [ )
(
0 )
( )
(
R V R r R V
r R r E R r R E
| |
| | |
=
= = =
) )]
( [ , 0 ( )
( R V R N es r R | |
2
) (
1 1 2
)
( ] ) ( )[
(
q
es r R R X X R r R W _ | o |
c
=

2
) (
1 1 2
)
( ] ) ( )[
(
q e
r R R X X R S r R W _ | | ~

o
2
) ( k n
_
2
1 o
_

2. Prueba F
) , (
1 1
) /(
/ )}
( ] ) ( )[
{(
k n q
F es
k n e e
q r R R X X R r R
F

=
| |
r R H = | :
0
k q R r R H
qxk
s = ; :
0
|
2
) (
1 1 2
)
( ] ) ( )[
(
q
es r R R X X R r R W _ | o |
c
=

2
) (
2 2
2
.
) (
k n
e
dist tiene
e e S k n

=
_
o o
c c
F q W =
o
) , ( k n q
F

o 1
F
Estimacin de un modelo de Regresin mltiple con EViews
1. Ingresar a EViews
File
New
File
workfile
New
workfile

54
2. Frequency
anual Range OK
3. Ingreso de datos:
Quick
Empty group

56
Aparece una planilla en blanco en la que se asigna nombre a las variables y se ingresa los
datos como en una planilla excel

57
3. Estimacin de la ecuacin: Quick Estimate equation

58
En la ventana se especifica el modelo ingresando a la izquierda la v. dependiente luego la
constante y las variables explicativas, luego presionar en OK
El programa ofrece los resultados de la estimacin

60
Dependent Variable: INV
Method: Least Squares
Date: 04/01/07 Time: 17:38
Sample: 1971 1994
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C 5.228449 29.00686 0.180249 0.8587
PNB 0.213205 0.011921 17.88539 0.0000
R -0.828817 3.239046 -0.255883 0.8005
R-squared 0.941937 Mean dependent var 41.13333
Adjusted R-squared 0.936407 S.D. dependent var 20.97122
S.E. of regression 5.288459 Akaike info criterion 6.285400
Sum squared resid 587.3238 Schwarz criterion 6.432656
Log likelihood -72.42479 F-statistic 170.3368
Durbin-Watson stat 0.787335 Prob(F-statistic) 0.000000
Modelo estimado
e R PNB INV + + = 83 . 0 21 . 0 23 . 5

61
Para guardar el modelo: Name Se escribe el nombre Se escribe la especificacin OK

62
Anlisis de significancia de las variables
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
Sea el modelo
0 : 0 :
1 0
= =
i i
H H | |
cierta es H si t es
S
T
k n
i
i
0 ) (
=
|
|
1) Anlisis de significancia de la variable X
i

0 t
1-o/2

t
(n-k)

o/2 o/2
- t
1-o/2

2) Anlisis de la significancia de un subvector de s variables
1 1
2
1
0
0
...
0
0
.....
:
sx sx
k
q
q
H
(
(
(
(
=
(
(
(
(
+
+
|
|
|
1
1
2
1
1
0
...
0
0
...
...
1 ... 0 0 0 ... 0
... ... ... ... ... ... ...
0 ... 1 0 0 ... 0
0 ... 0 1 0 ... 0
sx
kx
k
q
q
q
sxk
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
(
+
+
|
|
|
|
|
q s
Ninguna de las s variables es
significativa para explicar a Y
Con H
0
se define una particin en la matriz X :
(
(
(
(
(
=
+
+
+
kn n q qn n
k q q
k q q
X X X X
X X X X
X X X X
X
... ... 1
... ... ... ... ... ... ...
... ... 1
... ... 1
1 2
2 2 1 2 22
1 1 1 1 21
X
1
X
2

| |
2 1
X X X =
( )
sxs qxs
I R 0 =
| |
2 1
X X X =
(
=
2
1
B
B
|
| | c c + + = +
(
=
2 2 1 1
2
1
2 1
B X B X
B
B
X X Y
0 : 0 :
2 1 2 0
= = B H B H
( ) 0 0 :
2
2
1
0
= =
(
= B
B
B
I R H
sxs sxq
|
| |
22
22 21
12 11
1
0
0 ) ( A
I A A
A A
I R X X R =
(

(
=
(
=

22 21
12 11 1
22 21
12 11
) (
A A
A A
X X
B B
B B
X X
1
12
1
11 21 22 22
1
21
1
22 12 11 11
) (
) (

=
=
B B B B A
B B B B A
11 21
1
22 21
22 12
1
11 12
A B B A
A B B A
=
=
| |
(
=
(
=
2
'
2 1
'
2
2
'
1 1
'
1
2 1
'
2
'
1
X X X X
X X X X
X X
X
X
X X
1
2 1
'
2
1
2
'
1
1
1
'
1 1
'
2 2
'
2 22
] [ ] ) ( [

= = X M X X X X X X X X X A
] ) ( [
'
1
1
1
'
1 1 1
X X X X I M Donde

=
1 1 1
c + = B X Y
Del modelo restringido
=
) (
1
R X X R

66
0 : 0 :
2 1 2 0
= = B H B H
) , (
1 1
) /(
/ )}
( ] ) ( )[
{(
k n q
F es
k n e e
q r R R X X R r R
F

=
| |
( ) 0 0 :
2
2
1
0
= =
(
= B
B
B
I R H
sxs sxq
|
Entonces la estadstica
Se reduce a:
) , (
2
2 2 1
'
2
'
/
] [
2
k n s
e
F es
S
s X M X
F

=
| |
Contraste de significacin, mediante sumas residuales
0 :
2 1
= B H
(
=
2
1
B
B
|
| | c c + + = +
(
=
2 2 1 1
2
1
2 1
B X B X
B
B
X X Y
Modelo sin restriccin
(MSR)
Y M Y e e MSR SCE ) ( = = MY e=
1 1 1
c + = B X Y Modelo restringido
(MR)
Y M Y e e MR SCE
1 1 1
) ( = =
Y M e
1 1
=
0 :
2 0
= B H
Modelo restringido
Modelo sin restriccin
68
e B X B X Y + + =
2 2 1 1

e B X M e M B X M B X M Y M + = + + =
2 2 1 1 2 2 1 1 1 1 1

0
] ) ( [
1 1
'
1
1
1
'
1 1 1 1 1
= =

| | X X X X X I X M
|
) ( X X Y X =
En el MSR
(
=
(
=
(
= = =
0
0
0 )
(
'
2
'
1
'
2
'
1
e X
e X
e
X
X
e X X Y X |
e e X X X X I e M = =

] ) ( [
'
1
1
1
'
1 1 1
Luego

69
e B X M Y M + =
2 2 1 1

)
)(
( ) )( (
2 2 1 2 2 1 1 1
e B X M e B X M Y M Y M + + =
e e B X M e e M X B B X M M X B Y M Y
2 2 1 1 2 2 2 2 1 1 2 2 1
+ + + =
0
2 2 1 2 2
= = e X e M X | | 0 ]
[
1 2 2 2 2 1
= = e M X X M e | |
e e B X M X B Y M Y
2 2 1 2 2 1
+ =
SCE(MR) SCE(MSR)
) ( ) (
2 2 1 2 2
MSR SCE MR SCE B X M X B = Luego
)
1 1
Y X Y Y Y X Y Y | | =
)
( )
(
2
1 1
2
Y n Y X Y n Y X = | |
SCR(MR) SCR(MSR)

70
0 : 0 :
2 1 2 0
= = B H B H
) , (
2
2 2 1
'
2
'
/
] [
2
k n s
e
F es
S
s X M X
F

=
| |
Estadstica de la prueba
Equivale a:
) , (
) /( ) (
/ )] ( ) ( [
) /( ) (
/ )] ( ) ( [
k n s
F es
k n MSR SCE
s MR SCR MSR SCR
k n MSR SCE
s MSR SCE MR SCE
F

=
) /( ]
[
/ ]
[
1 1
k n Y X Y Y
s Y X Y X
F

=
|
| |
2

Y n Y X SCR = |
1 K
SCR
k n SCE
k SCR
/
1 /
2
1 1 1

Y n Y X SCR = |
Y X Y X SCR
1 1 2
| | =
r k
SCR
2
k n SCE
r k SCR
/
/
2
kk k
a Y n Y X SCR /
2
1
| | =
kk k
a SCR /
2
2
| =
2
SCR
k n SCE
a
kk k
/
/
2
|
Y X Y Y SCE
| =
k n
SCE
2
Y n Y Y
Fuente de variacin Suma de cuadrados G.L. C.M. Razn F p
Debido a X
2
, , X
K
k-1
Debido a X
2
, , X
r

Debido a X
r+1
, , X
K

r-1

k-r
Debido a X
2
, , X
K-1

Debido a X
K

k-2

1
Debido al error n-k
Total n-1
ANALISIS DE VARIANZA: Contraste de significacin

72
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
= + + + = 0
....

2 2 1 i k k
e que ya X X Y | | |
n i para e X X Y
i ki k i i
, 1 ,
....

2 2 1
= + + + + = | | |
Modelo en desviaciones de media
)
....
2 2 1 k k
X X Y | | | + + =
i k ki k i i
e X X X X Y Y + + + = ) (
.... ) (
2 2 2
| |
i ki k i i
e x x y + + + = | |

....
2 2
e B x y + =
2
: y
Vector de las observaciones Y en desviaciones de media
: x
Matriz de observaciones de las variables Xs en desviaciones de media

73
e B x y + =
2
y x x x B ) (
1
2

=
2 2
)
( B B E =
1 2
2
) ( )
(

= x x B V o
n i para e X X Y
i ki k i i
, 1 ,
....

2 2 1
= + + + + = | | |
Modelo en desviaciones
)
....
2 2 1 k k
X X Y | | | + + =
2 2 2 2 2 2 2 1
)
( ) ( ]
[ )]
....
( [ )
( X B V X Y V B X Y V X X Y V V
k k
+ = = + + = | | |
2
1
2
2
2
1
) ( )
( X x x X
n
V

+ = o
o
|
1
2
2
2 2 2 2 2 2 1
) ( )
( ]
[ )
cov(

= = = x x X B V X B B X Y Cov B o |

74
k n
y x B y y
k n
e e
k n
e
i
2
2
2
c
o
e B x y + =
2
B x y e = y x B y y e e

2
=
y y
y x B y y
SCT
SCE
R

1 1
2 2

= =
y y
y x B
R

2 2
=

75
Prediccin utilizando el modelo de Regresin Mltiple
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
Modelo:
| | | |
'
2 2 1
.... ) (
i
X X X Y E
ki k i i
= + + + =
Prediccin del promedio
| | | | |

...

'
3 3 2 2 1
i
X X X X Y
ki k i i i
= + + + + = Prediccin puntual
Prediccin por intervalo
| |
' '
)
( )
(
i i
X X E Y E
i
= =
i i
X V X X V Y V
i i
)
( )
( )
(
' '
| | = =
) , 0 (
2
o c N es Si
i
) (
1 ' 2
) (
) (
k n
i i e
i i
t es
X X X X S
Y E Y
T

=
i i e i
X X X X S t Y L
1 ' 2
2 / 1
) (
=
o
Prediccin de un valor individual
| | | | |

...

'
3 3 2 2 1
i
X X X X Y
ki k i i i
= + + + + =
Prediccin puntual
Prediccin por intervalo
i i
X V X e V
i
)
( ) (
' 2
| o + =
) , 0 (
2
o c N es Si
i
) (
1 ' 2
) ) ( 1 (
k n
i i e
i i
t es
X X X X S
Y Y
T

+

=
) ) ( 1 (
1 ' 2
2 / 1 i i e i
X X X X S t Y L

+ =
o
i ki k i i
X X Y c | | | + + + + = ....
2 2 1
| c |

' '
i i i i i i
X X Y Y e + = =
0 ) ( =
i
e E

77
Coeficientes estandarizados
n i para X X Y
i ki k i i
, 1 , ....
2 2 1
= + + + + = c | | |
Variables en su nivel
i k ki k i i
X X X X Y Y c | | + + + = ) ( .... ) (
2 2 2
Variables en
desviaciones de media
i
S
X
i
X
Y
k
S
X
i
X
Y
Y
i
X
k
X
X
X
S
S
S
S
S
Y Y
c | | + + + =

2 2
2 2 2 2 2
2
....
Variables estandarizadas
Y
X
j
S
S
j
j
| | =
* Se denomina coeficiente estandarizado o coeficiente Beta
Los coeficientes beta informan respecto de la importancia relativa de las variables
explicativas en el modelo de regresin mltiple.
Indican cual es el cambio en unidades estandarizadas de la variable dependiente
ante un cambio en una desviacin estndar de la variable dependiente.

78
Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.
i i i i
X X Y c | | | + + + =
3 3 2 2 1
Ejemplo
Sea el modelo:
i i
X Y
3 2 1

) 1 o o + =
y sean los modelos auxiliares
i i
X X
3 2 1 2

) 2 o o + =
Eliminamos de Y y X
2
la influencia lineal de X
3
y obtenemos:
i i
Y Y Y de

* ) 1 =
i i
X X X de
i
2 2
*

) 2
2
=
Al coeficiente de correlacin entre Y* y X*
2
se denomina correlacin parcial
entre Y y X
2
.

79
2
:
2
X y Y entre simple n Correlaci
YX
r
3 2
3 2
: X y X entre simple n Correlaci
X X
r
3
:
3
X y Y entre simple n Correlaci
YX
r
3
3 2
(
2 .
: X por controlada X y Y entre parcial n Correlaci
X YX
r
2
1
2
1
.
3 3 2
3 2 3 2
3 2
YX X X
r r
r r r
r
X X YX YX
X YX

=
3 . 2
3 .
3 . 2 2
S
S
r
Y
Y
= |
S
Y.3
: Desv. est. de los residuos en la regresin de Y en X
3

S
2.3
: Desv. est. de los residuos en la regresin de X
2
en X
3

X
2

X
3

Y

80
Anlisis del modelo
Supuestos del modelo
1) Las variables X son no colineales
2) Las perturbaciones tienen distribucin normal
3) Regresores son no estocsticos
4) Las perturbaciones tienen varianza constante
5) Las perturbaciones son incorrelacionadas
Violacin del supuesto
Multicolinealidad
No normalidad de las
perturbaciones
Regresores estocsticos
Heterocedasticidad
Autocorrelacin
Problema de Multicolinealidad
Y X X X
MCO
) (
1
= |
Si alguna variable X es combinacin lineal de las otras, entonces
1
) ( ) (

< X X existe No K X X
Si no existe colinealidad perfecta pero las correlaciones son muy altas, esto
implicara distorsiones en las estimaciones de los coeficientes, pues su varianza
sera muy grande (estimadores poco precisos).
Por lo tanto no podramos obtener los estimadores de los coeficientes del modelo,
lo que nos llevara a reformular el modelo en funcin de las otras variables
teniendo en cuenta la relacin lineal.

82
Problema de Multicolinealidad
Ejemplo:
i i i i
X X Y c | | | + + + =
3 3 2 2 1
Sea el modelo
(
=
(
=
2
3 3 2 23
3 2 23
2
2
2
3 23
23
2
2
) 1 ( ) 1 (
S S S r
S S r S
n
S S
S S
n x x
(
2
2 3 2 23
3 2 23
2
3
2
3
2
2
2 2
3
2
2
1
] )[ 1 (
1
) (
23
S S S r
S S r S
S S r S S n
x x
) 1 ( ) 1 ( ) 1 ( ) 1 (
)
(
2
23
2
2
2
2
23
2
3
2
2
2 2
3
2
r S n r S S n
S
V

=

=
c c
o o
| Si r
23

1
) 1 ( ) 1 ( ) 1 ( ) 1 (
)
(
2
23
2
3
2
2
23
2
3
2
2
2 2
2
3
r S n r S S n
S
V

=

=
c c
o o
| Si r
23

1
FIV
r
=
2
23
1
1
Factor de incremento varianza

83
Consideremos el modelo restringido
i i i
u X Y + + =
2 21 1
| |
2
2
2
21
) 1 (
)
(
S n
V
u
=
o
|
En cambio para el modelo sin restriccin
i i i i
X X Y c | | | + + + =
3 3 2 2 1
2
2
2
2
2
2
23
2
) 1 ( ) 1 (
1
)
(
u
u
S n r
V
o
o o
|
c

=
Donde
1
2
2
<
u
o
o
c
Si r
23
= 0
)
( )
(
21 2
| | V V s
As
2
23
1
1
r
FIV

=
Indica en que medida ir creciendo la varianza del estimador
cuando las variables estn correlacionadas.
En general 2
1
1
i
R
FIV

=
es el coeficiente de determinacin en el modelo
de X
i
dadas las otras variables Xs
:
2
i
R

84
Deteccin del problema de Multicolinealidad
1. Caracterstica tpica de la multicolinealidad es que todos los coeficientes de
regresin pueden ser no significativamente diferentes de cero a nivel
individual, aunque en conjunto todas las variables sean muy significativas.
2. Al examinar la matriz de correlacin de las variables regresoras, R, y su
inversa R
-1
, se encuentra que el i-simo elemento de la diagonal principal de
R
-1
(t
ii
) es el factor de incremento de varianza (FIV) del coeficiente de la
variable X
i
.
10
1
1
) (
2
>
= =
i
i ii
R
X FIV t Si
Indica una alta multicolinealidad
Tolerancia = 1- R
2
i

Indica la porcin de la variable que no es explicada por las
otras variables

85
3. Al examinar los valores propios de (XX) o R y calcular el ndice de
condicionamiento
R de propio valor Mnimo
R de propio valor Mximo
IC =
Se tiene el siguiente criterio
IC > 30
Existe alta multicolinealidad
Existe multicolinealidad moderada 10 s IC s 30
IC < 10
Matriz de datos est bien definida
4. Test de Farrar Glauber
i) Test de ortogonalidad
s entre s ortogonale son no X Las H
s entre s ortogonale son X Las H
:
:
1
0
( ) R n
k
calc
ln 1
6
) 5 2 ( 2 +
= _
Estadstica
2
2 / ) 1 (
2
~
k k calc
_ _
K: n de variables explicativas
R: matriz de correlaciones simples
p
2
) 2 / ) 1 ( ( k k
_
2
calc
_
R.C.
ii) Test F
Para determinar que regresor se encuentra ms colineado con las dems
variables.
Se obtiene la regresin de cada variable en funcin del resto de variables
y se calcula el R
2
para el modelo de cada variable.
0 : 0 :
2
max 1
2
max 0
= = R H R H
) , 1 (
2
max
2
max
) /( ) 1 (
) 1 /(
k n k i
F
k n R
k R
F

=
Estadstica
K: n de variables explicativas
p
) , ( k n k
F

i
F
R.C

88
iii) Test t
Para determinar que regresor se encuentra ms correlacionado con una de
las otras variables
0 : 0 :
2
max 1
2
max 0
= = r H r H
2
2
max
2
max
1

=
n
n
t
r
r
T
Estadstica
R
max
es el coeficiente de
correlacin simple mximo
0 t
1-o/2

t
(n-k)

o/2 o/2
- t
1-o/2

R.C R.C.
Tratamiento
1. Eliminar o excluir regresores del modelo, eligiendo aquellos que tengan
mayor multicolinealidad con las otras variables, es decir, FIV > 10
2. Incluir informacin externa a los datos de manera que se rompa el problema
de multicolinealidad (Se considera que este problema es un problema de la
muestra a mano)
3. Utilizar un modelo multiecuacional
4. Estimar los coeficientes utilizando el mtodo de regresin cresta, el cual es
un mtodo exploratorio que consiste en utilizar una modificacin a la matriz
(XX)
I X X o + ) (
Eligiendo o desde 0.01 hasta obtener resultados estables, es
decir, tales que las varianzas de los estimadores no cambien
significativamente al cambiar algunos datos
5. Utilizar restricciones lineales para los coeficientes
6. Utilizar un modelo de componentes principales

Econometr+¡a-I (CLASES - UPG-2014-1)

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

Econometr+¡a-I (CLASES - UPG-2014-1)

Cargado por

Copyright:

Formatos disponibles

UPG-Maestra en Gestin y

Mg. Cornelio Ticse Nez. 65

También podría gustarte