Documentos de Académico
Documentos de Profesional
Documentos de Cultura
.
Modelos de regresión lineal y Modelación de la
volatilidad condicional
Análisis causal Regresión
• Pronóstico:
–Regresión Simple
–Regresión múltiple
• Análisis estructural:
–Regresión múltiple
Tipos de modelo
1.• Económico:
1. Versión Simplificada de una realidad económica.
1. Ejemplo: CAPM(Capital Asset Pricing Model)
2. Econométrico:
1. Especificación
2. Estimación
3. Validación
– Donde β0 y β1, representan respectivamente, el valor de corte con el eje de las ordenadas cuando
la variable independiente toma el valor de cero y la pendiente de la recta de la regresión. El
conocimiento de dichos parámetros permitirá determinar en qué cantidad se incrementa o
disminuye la variable dependiente ante cambios en la variable independiente y, asimismo,
predecir el valor de la variable dependiente, dado un valor en la variable independiente
Regresión: Especificación
•
• El modelo determinístico se encuentre muy limitado al comportamiento de la variable dependiente debido a que
existe un sin número de variables que podrían afectar la estabilidad del modelo y de esta misma manera los
parámetros de la regresión lineal. Una manera adecuada se solucionar este problema consiste en incorporar una
variable aleatoria al modelo. De esta manera se pasa de un modelo determinístico a un modelo de tipo estocástico
Una variable aleatoria, es una variable que puede tomar cualquier valor de los números reales y que a su misma vez
tiene una distribución de probabilidad. La función de regresión poblacional será de la siguiente manera.
• El término u es una variable estocástica inobservable que captura los errores de especificación dentro del modelo,
tales como variables omitidas, forma funcional incorrecta, comportamiento aleatorio de los individuos y errores de
media
Regresión: Especificación
•
• La ecuación anterior representa una función de la variable dependiente que recoge observaciones tanto de
la variable Y como de X correspondiente a la población estadística. Por lo tanto β0 y β1, son los parámetros
de la población y se puede considerar como los coeficientes verdaderos de la regresión. Sin embrago, los
investigadores no suelen trabajar con la población sino con una muestra de tamaño n, a partir de la cual se
estiman los parámetros de la regresión, la cual se denomina función de regresión muestral.
–Se espera que la perturbación aleatoria, error, tenga un valor con media cero.
Recordar
Regresión: Estimación
•
•
•
•
Objetivos:
–Estimar el coeficiente de riesgo, β (concepto más importante).
–Estimar los diferentes riesgos de un activo financiero
–Tomar decisiones de inversión.
Especificación
•
1. Opción adversa al riesgo. Inversión en renta fija
–
Validación: Precisión de los parámetros
•
• Para esto, lo primero es encontrar la varianza del error, que en teoría se
supone que es constante u homocedastica.
Los valores de se obtienen de reemplazar en la ecuación los valores de X, es decir los valores
observados. n-k, corresponde a los grados de libertad, donde k es el número de parámetros a
estimar, en este caso son dos parámetros β0 y β1 , y por último n corresponde al número de
observaciones que se tienen para las variables.
Validación: Precisión de los parámetros
•
•Segundo paso: Error típico
La raíz de la varianza del error equivale al error típico, . Este estimador es una
medida de bondad de ajuste, es decir, muestra que tan bien el modelo estimado
se ajusta a los datos.
A menor dispersión, mejor bondad de ajuste, en otras palabras, muestra que tanto
se desvía el modelo de su valor observado. Calculada la varianza del error es
posible hallar las varianzas de los estimadores.
Validación: Precisión de los parámetros
•
•Tercer paso: Varianza de los estimadores
La hipótesis nula indica que la variable Xt no explica el comportamiento de la variable Yt, mientras que la
hipótesis alternativa indica que la variable independiente explica el comportamiento de la variable dependiente.
Validación: Pruebas de hipótesis de los parámetros
•
Hipótesis para el coeficiente β0
Si , se rechaza la hipótesis nula al nivel de significancia . De acuerdo con la tabla del anexo I.b. El t-crítico “,
se busca de la siguiente manera:
• Método gráfico
Se elabora la gráfica de la distribución t-student y se ubican los valores críticos. Estos definen la zona de
rechazo o de no rechazo de la hipótesis nula. Después se ubica en la gráfica el t calculado tc , dependiendo
de su ubicación se toma la decisión de rechazo o de no rechazo de la H0
Validación: Pruebas de hipótesis de los parámetros
•
•P-Value
Este método es el que se utiliza en la salida de computador, pues es calculado siempre por el software.
El P-value es el menor valor al cual es posible rechazar la H0, por lo que por debajo no se rechaza. En otras
palabras, el P-value indica la probabilidad de la hipótesis nula o la probabilidad exacta de cometer un error Tipo I.
La decisión es de rechazar H0
La decisión es de no rechazar H0
Validación: Intervalos de confianza
•
• Se construyen los intervalos de confianza (IC) para cada uno de los parámetros significativos
de acuerdo con las pruebas de hipótesis anteriores.
El significado del IC es el que sigue: De cada 100 intervalos que se formen, (1 - α ) contendrá el
parámetro poblacional; consecuente con esta definición, al construir un único intervalo de
confianza se confía que dentro del mismo se encuentre el verdadero valor del parámetro.
Validación: Prueba de dependencia
•
Solo para regresión múltiple pero su resultado es consistente con la prueba individual o prueba “t” hecha
para el parámetro en regresión simple. Sin embargo, dado que de su análisis se desprende la fórmula para
calcular el coeficiente de determinación , resulta pertinente realizar su análisis.
¿
2 2 2
∑ ( 𝑌 𝑖 − 𝑌 ) =∑ ( 𝑌 𝑖 − 𝑌 𝑖 ) + ∑ ( 𝑌 𝑖 − 𝑌 )
´ ^ ^ ´
Validación: Prueba de dependencia
Tabla ANOVA
•
• Tercer paso: Estadístico de prueba
Si , se rechaza la hipótesis nula, por lo tanto el modelo es consistente. El F-critico (F*) se calcula
con k-1 grados de libertad para el numerador y n-k son los grados de libertad para el denominador.
Validación: Coeficiente de determinación
•
Este coeficiente permite encontrar el porcentaje de variación de la variable dependiente que
es explicado por el comportamiento de las variables independientes.
•
• Relación entre el R2 y el estadístico F
Es importante también analizar la relación que existe entre el R 2 y el estadístico F, mediante la siguiente
expresión:
Como se puede observar, existe una relación directa entre estos dos, a medida que aumenta R 2 (bondad del
ajuste), el estadístico también aumenta, por lo tanto el estadístico de prueba tiende a rechazar la hipótesis nula,
es decir, permitiendo que el modelo econométrico sea consistente.
Objetivo pronóstico, estimar tasa requerida
•
• Este es el objetivo central del modelo de regresión simple. Es posible hacer un
pronóstico puntual y/o un pronóstico por intervalo.
• Pronóstico puntual:
• Aplicando varianza
+
Modelos ARCH (p), modelo de la varianza del error en función de los errores rezagados
Para garantizar que exista reversión a la media, la sumatoria de debe ser menor que uno.
Esta sumatoria se conoce como persistencia del modelo. Entre mas cerca a 1, implica que
los choques aleatorios que afectaron el modelo son más persistentes y tardaran mucho
tiempo en desaparecer.
Ajustes por Betas GARCH(p,q)
Además de incluir en la especificación los errores rezagados tienen en cuenta las varianzas del modelo