Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Antunez Irgoin
X 11 X 12 X 1t
X Y11
21 X 22 X 2t Y
X Txk YTx1 21
X T 1 X T 2 X Tk YT
2
Y X
Y X
nk nk
Var Cov( ) XX
1
2
t-Statistic: Valor del estadstico t, bajo la hiptesis individual que las variables
(H0: i =0).Con t-k grados de libertad, Indica que la variable contribuye a explicar
la variable endgena.
T: Tamao de muestra S
6 4
K: Es la kurtosis
S: Es la asimetra k: Nmero de regresoras
Regla de Decisin: JB 2
5.99
( 5%; 2 )
Si el JB es menor 5.99 no se rechaza la hiptesis nula
CESAR ANTUNEZ IRGOIN
Abrir con doble click Resid ir a View/ Descriptive
Statistics & Tests / Histogram and Stats
Como se observa en
el rectngulo de color
rojo que tiene una
baja probabilidad
0.02% de no rechazar
la hiptesis nula.
Rechaza H0
F ( q=1;T=70;0.95)
q: Nmero de
restricciones.
( t/ t s/ s ) / q
F F( q ;T k )
o Pruebas de
/
/(
Variables
s s T k)
Omitidas: Nos da una idea si una lista de
variable adicional podra mejorar el modelo.
Ubicamos en cuadro de la ecuacin (caso Cagan) nos dirigimos a
View/Coefficient Diagnostics /Omitted Variables Test-Likelihood
Ratio.
En el cuadro de dialogo se escriben las variables a omitir (caso:
inter)
H0 : La variable inter es no
significativa para el
modelo (C(3)=0)
H1 : inter es una variable
significativa para el modelo
(C(3) 0).
Con una probabilidad
0.07% se rechaza la
hiptesis nula de no
significancia para el
CESAR ANTUNEZ IRGOIN
modelo,
o Pruebas de Variables Redundantes: Prueba si la
exclusin de una lista de variable podra mejor el
ajuste del modelo.
* Ubicamos en cuadro de la ecuacin (caso Cagan) nos
dirigimos a View/Coefficient Diagnostics
/RedundantVariables Test-Likelihood Ratio
En el cuadro de dialogo se escriben las variables a
omitir (caso: LOGPBI)
H0 : La variable LogPBI es
redundante para el
modelo.
H1 : La variable LogPBI es
redundante para el modelo .
Con una baja probabilidad de 0
% (menor =5%) no se acepta
la hiptesis nula.
Por lo que la variable LogPBI no
es redundante para el modelo
de Cagan
CESAR ANTUNEZ IRGOIN
Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando las
variables independientes presentan alto nivel de correlacin. Por lo que
en trminos empricos hay que definir los limites de tolerancia de
colinealidad.
Siguiendo a Klein en su versin de correlacin indica un alto grado
cuando: rX i X j RY
En el cuadro de comandos
Digitar: Scalar
det_cor=det(mcorrel)
Abrir el objeto det_cor con
doble click ver el valor de la
detreminante esn
CESAR ANTUNEZ 0.61>0. No
IRGOIN
E ( t s , t ) s 0
Autocovarianza
E ( t ) s 0
2 2
Coeficientes de Autocorrelacin
Cov ( t s , t )
r s s 0,1,-2,...
Var ( t s )Var ( t ) 0
0 1 T 1 1 1 T 1
0 T 2 1 1 T 2
Var ( t ) E ( t , t/ ) 1 2
T 1 T 2 0 T 1 T 2 1
Se utilizar MCG o reparametrizados de los coeficientes
de autocorrelacinpara estimar los parmetros
CESAR ANTUNEZ IRGOIN
Test de Durbin-Watson: Somete a prueba la autocorrelacin
de Primer orden (AR(1)).
Yt xt t
t t 1 ut
Ho : 0 no existe autocorrelacin de primer orden
T 2
DW= ( t t 1 )
t 2
T
2(1 )
t 1
2
t
Donde : r i : Es el coeficiente
T de autocorrelacin simple
t i t
ri t 1
T
t
2
t 1
Consecuencias
Una perdida de eficiencia de los estimadores mnimos
cuadrados.
La varianza del estimador por MCO no es mnima.
Solucin
Reparamtrizar el modelo para encontrar la ley de
formacin de la varianza para cada periodo.
* Como veremos a continuacin Eviews tiene incorporado
varias pruebas para detectar la heteroscedasticidad de
los errores
CESAR ANTUNEZ IRGOIN
Supuesto Formal 12 0 0
0 2
0
Yt xt t Var ( t ) E ( t , t )
/ 2
2
0 0 T
Deteccin de H
Este anlisis se basa en los residuos
i) Representacin grfica de residuos estimados versus
la variable dependiente proyectada o tras variables
conocidas, para explicar el comportamiento de la
varianza y poder extraer su ley.
ii) Prueba general de (Goldfeld y Quant, Breusch y Pagan
, White)
* Si representamos grficamente los residual elevados al
cuadrado con la variable dependiente pronosticada (o
con cada uno de los regresores ordenados )
por lo
CESAR que IRGOIN
ANTUNEZ nos animamos
ha dar el factor de la
Prueba de Goldfeld - Quant
H0 : No existe Heteroscedasticidad (igualdad de varianzas)
i2 h( xij )
H1 : Existe Heteroscedasticidad donde h(.) es funcin
monotona.
* Omitir r observaciones intermedia (r < T/3)
* Los dos grupos tiene tamao (T-r)/2
En nuestro caso tenemos 73 observaciones, despus de ordenar las
observaciones del modelo (se ordena las observaciones de todas la
variables mediante la ventana de Worfile activamos Procs/Sort
Current Page en el nuevo cuadro de dialogo introducimos la variable
Logmf y ordenamos Ascendentemente), se eliminan las 24 (r < 73/3)
centrales formando dos grupo donde el primer grupo tiene de 1 hasta
24 y el segundo grupo 49 hasta 73.
H o : 1 k 11 kk 12 k 1,k 0
LM T * R 2 22k
CESAR ANTUNEZ IRGOIN
Aplicando la Heteroscedasticidad en Eviews
View que se encuentra en el objeto de ecuacin Cagan(es el nombre
de nuestra ecuacin) pulsamos View/Residual Test/Specification
White (no cross terms)
rechaz
a
Correccin
* Correccin White (Heteroskedasticy
Consiste Covariances)
* Correcin de Newey West (HAC
Consistent Covariances)
CESAR ANTUNEZ IRGOIN
Mnimos Cuadrados
Ponderados(MCP)
Modelo con problemas de Heteroscedasticidad
Yt xt t V : Ponderador
12 0 0 1 0 0
0 2
0 0 2 0
t t)
E ( , /
2
VV
2
0 0 T 0 0 T
MCO X X X Y
1
v 1 q 1
X t t X tv X t v t v t X
t 1
q
q: Representa un nmero entero 4(T / 100 ) 2/9