ECONOMETRIA

Pruebas de Especificación en el
Modelo de Regresión Múltiple

Mtro. Horacio Catalán Alonso

Normalidad
 TallerEconometría
de Econometría

Y  β  U
El modelo de regresión múltiple asume diverso
supuestos estadísticos que determinan la validez
de los resultados econométricos así como la
inferencia estadística

Asume principalmente

E( U)  0 X regresores fijos

E( U/ )  0 X regresores aleatorios
con muestras independie ntes

Horacio Catalán Alonso

 TallerEconometría
de Econometría

E( U)  0 X regresores fijos

E( UU / )   2 lo cual implica que :

E( U i2 )   2 No Heterosced asticidad
E( U i U j )  0  i  jNo Autocorrel ación

Estos supuestos garantizan que los estimadores

de mínimos cuadrados sean insesgados y
eficientes
E(β̂)  β

E(β̂)   X X
2 /

1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

La inferencia estadística sobre los estimadores de

MCO se pueden realizar bajo el supuesto de que
los errores se distribuyen como una normal con
media cero y varianza constante


U  0,  2

Supuesto de normalidad

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Propiedades de los estimadores MCO

Asintóticas

Nota: Se demuestra que se x es una variable

aleatoria con media μ y varianza  2
entonces

n     Cuando n tiende a infinito converge a

una normal con media cero y varianza  2


n      N 0,  2 
Bajo esta idea se necesita probar como es la
distribución de n β̂ - β 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

1) β̂  β  X X  X U
/ 1 /

2) β̂ - β  X X  X / U
/ 1

La diferencia entre el estimador y el parámetro

3)
1
n
β̂ - β  X X X U
1
n
/ 1 /
  
Permite analizar la distribución

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 
1
 

/
/
1 1 X X X U
4) X X X U  
/ /

n  n  n
1
X X
/
P lim n     Q 1
 n 

La matriz de covarianzas de los regresores

converge a una matriz positiva. Esto se cumple
con regresores fijos o aleatorios con muestras
independientes
/
XU
¿Cuál es la distribución de?
n
Horacio Catalán Alonso
 TallerEconometría
de Econometría

1 /
La expresión X U se define como W
n
1 /
5) X UW
n

Aplicando el valor esperado

 1 / 
6) EW   E X U  0
 n 

Por el supuesto de ortogonalidad

Horacio Catalán Alonso

 TallerEconometría
de Econometría

La varianza se define como:

  1 /  1 /  
/

/

7) E W W  Var W   E  X U  X U 
 n  n  

 
8) E W W  X UU X
/ 1
n
/
 /

 2X / X

9) E W / W   n

Cuando el lim n   entonces

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 
10) E W / W   2Q

X/X
lim n   Q 1
n

Horacio Catalán Alonso

 TallerEconometría
de Econometría

lim n 
1 /
n
X U  N 0,  Q
2
 
Si el término de error se distribuye como una
normal con media cero y varianza constante
entonces


n β̂ - β   N 0, Q  QQ
-1 2 -1

 N0,  2
Q -1


Horacio Catalán Alonso

 TallerEconometría
de Econometría

De este resultado se obtiene que:


n β̂ - β   N 0, n X X 
2 / 1

Si el estimador es insesgado


β̂  N β,  X X 
2 / 1

El estimador de normalidad de los errores
garantiza que los estimadores se distribuyan como
una normal.
Horacio Catalán Alonso
 TallerEconometría
de Econometría

El supuesto de normalidad de los errores garantiza

que los estimadores se distribuyan como una
normal

El método de MCO garantiza estimadores

insesgados. Lo cual permite que la media del
estimador sea igual al parámetro

En la práctica
Q 1 Se aproxima por medio de X X 
/ 1

U/U
 2 Se aproxima con
N-K

Horacio Catalán Alonso

Heteroscedasticidad
 TallerEconometría
de Econometría


Var U  E UU   I
/
 2

Varianza constante

 2
0  0
 
  0
 
2
0
E UU  
/ No autocorrelación
  
 2
 0 0   

Horacio Catalán Alonso

 TallerEconometría
de Econometría

¿Cuáles son las implicaciones de varianza no

constante?
* *
* *
* * *
* * * *
* * *

 
Var Ui   E U   i para i  1,..., N
2
i

Varianza de los errores cambia con cada

observación

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Bajo el supuesto de que no existe autocorrelación

 2
0  0
 
  0
 
2
0
V  E UU /
  
 2
 0 0   

La matriz de varianza y covarianza se modifica en

la diagonal principal la varianza cambia

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Existen diferentes especificaciones para la matriz V

Se asuma que la varianza puede cambiar en cierta

proporción dependiendo de la muestra

 2 W1 0  0 
 
 0  W2
2
 0 

    
 
 0 0   Wn 
2

 i2   2 Wi i  1,...n
Horacio Catalán Alonso
 TallerEconometría
de Econometría

Que la varianza en cada punto de la muestra es

proporcional al cuadrado de un regresor

 2 X12 0  0 
 
 0  2 X 22  0 
V
    
 2
 0 0   X n 
2

 i2   2 X i2 i  1,...n

El aspecto fundamental es que la varianza de los

errores cambia con el tamaño de la muestra

Horacio Catalán Alonso

 TallerEconometría
de Econometría

El estimador de mínimos cuadrados se define

como:

1) β̂  X´X  X´Y
1

Bajo el supuesto de heteroscedasticidad el

estimador es insesgado

2) Eβ̂   β
¿Pero la varianza?

3) 
Var(β̂)  E β̂  β β̂  β 
/

Horacio Catalán Alonso
 TallerEconometría
de Econometría

4)  
-1
Var( β̂)  X X X E UU X X X
/ /
 /
  /

-1

Si  /

E UU  V   I 2

Entonces

5) 
Var( β̂)  X X X VX X X
/

-1 /
 /

-1

Los estimadores pierden eficiencia

¿Cuáles son las propiedades estadísticas de X’VX?

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Aplicando las propiedades asintóticas

-1 -1
 X X  X X
-1
 1 / 
/ /
6)  P lim n    P lim n  X VX   P lim n  
 n   n   n 
-1
1 / 
Sabemos que P lim n   X X  converge a Q-1
n 
a una matriz positiva

La consistencia del estimador β̂ por MCO depende

de

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Aplicando las propiedades asintóticas

1 /
7) P lim n  X VX   n  
* *

n
Si  n converge a una matriz positiva el estimador
*

converge al parámetro

Horacio Catalán Alonso

 TallerEconometría
de Econometría

¿De que depende la convergencia de la matriz

X’VX?
Si la varianza cambia en cada punto de la muestra
que una proporción Wi i= 1,…,n

   Wi
i
2
i
2

donde Wi puede ser X2i el cuadrado de uno de los

regresores

Si Wi es finito para todo i, entonces Wi / n converge

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Observación

X’VX es la suma de cuadrados y el producto

cruzado de los regresores ponderados por Wi

Sea un modelo de consumo privado (CP) para un

conjunto de familias el cual depende del ingreso
(Y)y la riqueza financiera (RF)

8) CPt  1Yt   1RFt  Ut

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 Y1 RF1 
 
 Y1 Y2  Yn  / Y2 RF2 
9) X  
/
 X 
 RF1 RF2  RFn    
 
Yn RFn 

 2 W1 0  0  W1 0  0 
  0 W  0
 0  W2
2
 0  2 
10) V   1
      
   
 0 0   Wn 
2
 0 0  Wn 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 Y1 RF1 
 
 Y1 Y2  Yn  / Y2 RF2 
11) X VX   
/ 2
 X 
 RF1 RF2  RFn    
 
Yn RFn 
 n n

  Wi Yi 
2
Wi Yi RFi 
12) X / VX   nt 1 t 1
n 
 W Y RF 
  W RF
t 1
i i i
t 1
i i

n

Si  Wi  1 entonces la matriz X’VX converge a una

t 1
matriz positiva
Horacio Catalán Alonso
 TallerEconometría
de Econometría

¿Cuál es la solución para los estimadores de

MCO?

Es necesario encontrar un estimador para

1 /
13) X VX
n

White H. (1980), “A Heteroskedasticity-consistent

covariance estimator and direct test for
heteroskedasticity”, Econometrica, vol. 48, 11. 817-
838.

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Demuestra que
n

 Û 2
i
14) So  i 1
X/X
T

1 /
Es un estimador consistente de X VX
n

Û i2 = Errores de MCO

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Así con la expresión 14 la varianza del estimador

se aproxima por:

15) 
Var( β̂)  X X /

1

So X X/
1

Que puede ser utilizado para obtener la varianza

del estimador y realizar las pruebas estadísticas

Este procedimiento se conoce como estimación

robusta “Robust Standard errors”

Horacio Catalán Alonso

 TallerEconometría
de Econometría

En nuestro modelo

16) CPt  1Yt   1RFt  Ut

Una estimación robusta en:

a) Estimar por MCO la ecuación 16

b) Obtener los residuales Ut
c) Obtener la varianza de cada estimador


Var( β̂)  X X /

1

So X X /
1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 n 2 n

  Yi  Yi RFi 
 
/ 1
X X   nt 1 t 1
n 
 Y RF 2 
  RF
i i i

t 1 t 1  n 2 2 n

  Yi Û i  2
Yi RFi Û 
i
 t 1 t 1

 
/ 1
XX  n T
 Y RF Û 2
T 
2 2 
n

t 1
i i i t 1
RF i Û i 

 
 T T 
n
Ûi2
La ponderación  Wi 
t 1 T
Horacio Catalán Alonso
 TallerEconometría
de Econometría

Problemas con la corrección White:

• Las propiedades asintóticas de los estimadores

son ambiguas
• La suma de errores al cuadrado de OLS
subestima la varianza de los regresores
• No se recomienda para muestras grandes
• La Prueba de White es extremadamente general
no aporta información sobre la naturaleza de la
varianza

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Mínimos Cuadrados Generalizados (GLS)

Si    Wi
i
2
i
2
i  1,..., n

17) V   i2

Si es una matriz definida positiva, si exite una

matriz P no singular que tiene la propiedad de

18) P  P'  I
De lo cual se deduce que

Horacio Catalán Alonso

 TallerEconometría
de Econometría

1
19) P' P  

20) Var U  P V P'   P  P'

2

De 21 Y  β  U

Multiplicado por P

22) PY  Pβ  PU

23) Y*   * β  U *

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Se define el estimador GLS

β̂ GLS  X *´X * X *´Y *

1

 X´P' PX  X´P' PY
1


24) β̂ GLS  X'  X -1

1
X'  Y
-1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

P  P'  I

1 
W 0  0 
 W1 0  0   1 
0 W   0 1
 0   0 
Si    2
 
2
W2 
      
  
  1 
0 0 Wn 
 0 
0 
 Wn 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 1 
 0  0 
W1
 
 0
1
 0 
P W2 
   
 
 0 0 
1 
 Wn 

Horacio Catalán Alonso

 TallerEconometría
de Econometría
 1   1 
 0  0   0  0 
W1 W1
  W1 0  0  
  0  
0   0 W2 0 
1 1
0   0 
P  P'   W2   W2 
      
  
  0 0 

Wn   
 1   1 
0 0  0 0 
 Wn   Wn 

 W1 
W 0  0 
 1 
 0 W2
 0 
I W2 
   
 Wn 
 0 0  

 Wn 

Horacio Catalán Alonso
 TallerEconometría
de Econometría

 CP1   Y1 RF1 
 W1   W1 W1 
   
 CP2   Y2 RF2 
PY   W2  PX   W2 W2 
      
 CPn  Yn RFn
   
 Wn   Wn Wn 

El estimador GLS es una ponderación de las

variables del modelo

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Así
Var β̂ GLS    X*' X *
2 1
27)

  X'  X
2 -1
1

28) S 2

Y * -X * β̂  Y * -X * β̂ 
GLS
/
GLS
N  K 
GLS


Y - Xβ̂   Y - Xβ̂ 
GLS
/ 1
GLS
N  K 
Estimador de la varianzxa de los errores
Horacio Catalán Alonso
 TallerEconometría
de Econometría

q - Rβ̂  R X' Ω   q - Rβ̂ / q

/ 1 1
X R'
F GLS
2
GLS
SGLS

Que permita realizar inferencia estadística en el

modelo

Horacio Catalán Alonso

 TallerEconometría
de Econometría

• Sin embargo GLS requiere la matriz Ω, es decir,

en cuanto se afecta la varianza en cada punto de
la muestra

• Una especificación común es atribuir la varianza

al cuadrado de uno de los regresores

  X
i
2 2 2
i

Horacio Catalán Alonso

 TallerEconometría
de Econometría

La varianza del error se debe al ingreso (la variable

más relevante para el consumo)

Se transforma el modelo como

CPt Yt RFt
 1  2  Ut
Yi Yi Yi

Se obtienen los estimadores por GLS

Horacio Catalán Alonso

 TallerEconometría
de Econometría

• No es el procedimiento más adecuado

• No se puede determinar que variable afecta a la

varianza de los errores

Horacio Catalán Alonso

 TallerEconometría
de Econometría

En general se obtiene una estimación de la matriz

Ω


β̂ GLS  X'  X
-1

1
X'  Y
-1

Este procedimiento se conoce como Mínimos

Cuadrados Factibles (FGLS)

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Procedimiento Mínimos Cuadrados Factibles

(FGLS)

a) Estimar el modelo
b) Obtener los residuales Û i
c) se obtiene un estimador de la varianza de los
errores
 Û2
i

S2 
N  K 
d) El estimador es utilizado como un ponderador

Horacio Catalán Alonso

 TallerEconometría
de Econometría

(FGLS) 1 
 S2 0  0
 1 
ˆ 1
 0 2
 0
 S 
     
0 0 
1
 2 
S 

• Las variables del modelo son individuales por

varianza de los errores de MCO
• Es una forma de estandarizar las variables

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Cuestiones a revisar

• Transformar las variables por medio de logaritmo

a índices o estandarizadas reduce el problema de
la varianza
• ¿Qué sucede si la varianza en series de tiempo
sigue un proceso como el siguiente?

  1
t
2 2
t -1  t  t ~ N0,   2

• Es posible aplicar GLS o FGLS

Horacio Catalán Alonso

Autocorrelación
 TallerEconometría
de Econometría

1) Eui u j   0  i j
No existe autocorrelación en le término de error
que sucede si
Eui u j   0
 2 Eu1u 2   Eu1u 2 
 
Eu 2 u1   2
 Eu 2 u n 
2) EUU'   
     
 
Eu n u1  Eu n u 2    
2

Se afecta la matriz de varianza y covarianza de los

errores
Horacio Catalán Alonso
 TallerEconometría
de Econometría

3) β̂  X' X  X' Y
1

El estimador por MCO sigue siendo insesgado

Var β̂   X' X  X' EUU' XX' X 

1 1
4)

Pierde eficiencia

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Asumiendo un proceso de autocorrelación de

orden uno

1) u t   u t -1  ν t

Donde  1
Eu t -1ν t   0
 
Var ν t   2

E ν t   0
Horacio Catalán Alonso
 TallerEconometría
de Econometría

Bajo el supuesto de no Heteroscedasticidad

2) Var u t    2

3)    E u
Var u t   E u 2
t t -1  νt 
2

4) 
Var u t   E  u 2 2
t -1  2  u t -1 ν t  ν 2
t 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

5) Var u t    E u
2
   2  E u
2
t -1 t -1   
νt  E ν 2
t

6) Var u t      σ
2 2 2
ν

7)      σ
2 2 2 2
ν

σ 2
8)  2 ν
1  2

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Es necesario definir

Eu t -i u t -s  Es decir la covarianza de los

errores

9) Covu t , u t -1   Cov u t -1  ν t , u t -1 
  Cov u t -1 , u t -1   Covν t u t -1 
  Var  u t -1   Eν t u t -1 
 2
 ν
1 -  
2

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 ν2
Covu t , u t -1   
1 -  
2

10) Covu t , u t -2   Cov u t -1  ν t , u t -1 

  Cov u t -1 , u t -2   Covν t u t -2 
  Var  u t , u t -1 
  2
  2  2

    ν
    ν

 1- 2
   
1-  2
 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

De manera general
 S ν2
11) Covu t , u t -s  
1 -  
2

 2
Covu t , u t    0  ν
1 -  2 
Se define

El coeficiente de correlación se define como

S
12) Corr u t , u t -s  
0
Horacio Catalán Alonso
 TallerEconometría
de Econometría

 S ν2
13) Corr u t , u t -s   
1 -  2

 ν2
1 -  2 
14) Corr u t , u t -s    S

El procesos de autocorrelación es aproximado por

el coeficiente de correlación

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Así  2  se define como  2

 
2 ν
1-  2

Eu t u t -1   
E u t u t -2    2


E u t u t -S    S


E u t u t -(t -1)    t 1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 1   2   t 1 
 
  1  t 2 
  ν  2
2

15)    
2

2    
 1 -   
 
 t 1 
  t 2  1 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Dado que la matriz Ω no es igual a la identidad es

necesario aplicar un método que permita obtener
estimadores consistentes:

• Bajo la estimación de MCO los estimadores

siguen siendo insesgados

16) Var β̂    X' X  X' XX' X 

2 1 1

  X' X    X' X   X' X  

2 1 1
     
T  T  T  T 
Horacio Catalán Alonso
 TallerEconometría
de Econometría

Las propiedades de la varianza dependen de:

17) X' X

1
Es necesario que X' X cuando T → ∞ sea
T
*
una matriz positiva Q T

Horacio Catalán Alonso

 TallerEconometría
de Econometría

1 T T
18) 
T t 1 s 1
 t s X t X s
'

donde X t y X de X y  ts es el coefieente

'
s
de autocorrelación entre ut y us

La expresión 18 convergen rapidamente cuando el

coeficiente  converge a cero. Cuando T → ∞ sea
k

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Ejemplo:

y t  βx t  u t
u t  ρu t 1  ν t t  1,2,3

1   2
  x1 
  
X' X  x1x 2 x 3   
1 1
1   x 2 
T T
 2  1   x 3 
 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 x1 
x  x
1 2   x 3 x1  x 2  x 3
2  
 x1  x 2  x 3 x 2 
2 
 x 3 

x  x x   x x  x x
2
1 2 1
2
3 1 1 2  x  x 3 x 2 
2
2 
 x x  x x  x 
2
1 3 2 3
3
3

 1
2
2
3
3 
1  x  x  x   x 2 x1  x1x 2  x 3 x 2  x 2 x 3   
2

 2 
T   x 3 x1  x1x 3  
Horacio Catalán Alonso
 TallerEconometría
de Econometría

 1
2
2
2
3 
1  x  x  x  2  x1x 2  x 2 x 3   
2

 2 
T   x1x 3  

1
T
1 2

'    x  2  x2  2  2 x2    2  T 1 x2
T

Es una suma ponderada de la covarianza de las
variables explicativas

Horacio Catalán Alonso

 TallerEconometría
de Econometría

La ponderación esta determinada por ρ

La convergencia esta definida como:

1  1   
2
 x
T 1 

Horacio Catalán Alonso

 TallerEconometría
de Econometría

ρ define las propiedades de la varianza de los

estimadores por OLS

І ρ І < 1 se garantiza convergencia

Que pasa en los casos en que

ІρІ>1

ІρІ=1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

La matriz  ' converge a una matriz positiva

T
si І Ρ І < 1 por lo tanto se puede obtener una
estimación por GLS

donde


β̂ GLS  X'  X -1
 1
X'  Y -1

' P   -1
P -1/2

Var β̂ GLS    X'  X

2
 -1
 1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

 1  2 0 0  0
 
  1 0  0
 0  1  0
 
    
 0  
 0 0 0

P -1/2
' P   -1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

1  0  0 0 0 
  1   2    0 0 0 
1 1 
 
1  2       1    
 
0 0 0 0  1 
1
  X'  X 
Var β̂ GLS  
2 -1


T  
T 
La varianza de los estimadores GLS depende de la
varianza de los regresores y de ρ
Horacio Catalán Alonso
 TallerEconometría
de Econometría

Varianza Relativa

Var β̂ OLS  1   1   


 
Var β̂ GLS  1   / 1    2 
2 2


ρ=0 Ambos estimadores son ineficientes

ρ = 1 La varianza de OLS crece más que la

varianza de GLS

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Así la transformación en las variables se define

como
 1   2 Y1   1   2 X1 
   
 Y2   Y1   X 2   X1 
PY  Y*   Y3   Y2  PX  X*   X 3   X 2 
   
     
Y   Y  X   X 
 T T -1   T T -1 


β̂ GLS  X*'  X *-1
1
X*'  Y *
-1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

y t  xt β  u t

Si u t  u t -1  vt

y t - y t -1  βx t - x t -1   u t - u t -1 

No tiene problemas de
atucorrelación

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Ejemplo:

CPt - CPt -1  β1 Yt - Yt -1   β 2 RFt - RFt -1   t

La corrección Durbin-Watson en 2 etapas es una

estimación GLS

Horacio Catalán Alonso

 TallerEconometría
de Econometría

El problema es obtener una estimación de la matriz

̂
Es necesario estimar ̂ el coeficiente de
correlación

Una estimación de ̂ permite obtener estimadores

FGLS

¿Cómo calcular ̂ ?

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Opciones para estimar ̂

1) Estimar ecuación

u t  u t -1  vt
ut Residuales OLS

(Durbin-Watson 2 etapas). Obtener ̂ OLS

Horacio Catalán Alonso

 TallerEconometría
de Econometría

2) Box-Pearce

u u t t -r
ˆ r  t  r 1
T

 t
u 2

t 1 t

Función de Autocorrelación

Horacio Catalán Alonso

 TallerEconometría
de Econometría

3) Estimadores OLS modificado

u u t t -1
~  t 2
T

u
t 2
2
t -1 No incluye completamente
t la suma de los errores

Horacio Catalán Alonso

 TallerEconometría
de Econometría

4) Modelo MA(1)

Se asume que los errores siguen un proceso de

media móvil de orden 1

u t   t   t -1

donde θ es la estimación de ρ

Horacio Catalán Alonso

 TallerEconometría
de Econometría

5) Un proceso diferente es utilizar una estimación

robusta

Var β̂   X' X  X' XX' X 

~
1 1

Lo cual implica:

• Obtener un estimador aproiado de la varianza de

OLS
• Interporar la corrección de autocorrelación
Horacio Catalán Alonso
 TallerEconometría
de Econometría

White (1986) porpone un estimador de la varianza

Newey y West (1987) incorporar la corrección de
autocorrelación

El problema es obtener un estimador de

T T
1
    t s X t X s
'

T t 1 s 1

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Se propone
1 T T
S*  S0   W(l )û t û t -l  t  t l   t l  t 
T t 1 s 1

T
donde S0   û   t 2
t
'
t
t 1

l
W(l )  1 - ponderador
L 1
û t  residuales OLS
Horacio Catalán Alonso
 TallerEconometría
de Econometría

• El problema de autocorrelación genera

estimadores ineficientes

• Se puede corregir por medio de FGLS si es

posible un estimador de ρ

• FGLS implica una transformación de las variables

• Se puede obtener una estimación robusta por

emdio de Newey-West

Horacio Catalán Alonso

 TallerEconometría
de Econometría

Problemas

• FGLS asume autocorrelación de primer orden y

ІΡІ<1

• ¿Qué sucede cuándo?

u t  1u t -1   2 u t -2  vt
El proceso de autocorrelación es de orden dos o
superior

Horacio Catalán Alonso

 TallerEconometría
de Econometría

• Es más complicado la especificación para GLS

• Newey-West propone una corrección semi-
parámetrica
• Hendry propone como solución los modelos de
especificación dinámica
• La teoría de series de tiempo asumen que las
series son procesos estocásticos. Modelos AR,
MA y ARIMA

Horacio Catalán Alonso

 ECONOMETRIA

Pruebas de Especificación en el
Modelo de Regresión Múltiple

Mtro. Horacio Catalán Alonso