Académique Documents
Professionnel Documents
Culture Documents
ECONOMETRIA
TEMARIO COMPLETO
2014
ECONOMETRIA
Tema 1:
Introduccin a la Econometra
Definicin de Econometra
ECONOMETRIA
ECONOMETRIA
ECONOMETRIA
6. Bibliografa
[1] Gujarati, D. (1997). Econometra. Ed. McGraw Hill. Captulo 1.
[2] Johnston, J. (1989). Mtodos de Econometra. Ed. Vicens-Vives. Presentacin de
la edicin en espaola por A.G. Barbancho.
[3] Uriel, E., Contreras, D., Molt o, M.L. y Peir o, A. (1990). Econometra. El
Modelo Lineal. Editorial AC. Captulo 1.
[4] Wooldridge, J.M. (2005). Introduccin a la Econometra: Un enfoque moderno.
Thomson. Captulo 1.
ECONOMETRIA
Tema 2-3:
+ +
= 1, , ,
(1)
+ +
+ +
.
=
+ +
Dnde:
(2)
ECONOMETRIA
Consideraremos las
uniecuacional mltiple:
siguientes
hiptesis
bsicas
en
el
modelo
lineal
ECONOMETRIA
Advirtase que:
Teorema de Gauss-Markov
ECONOMETRIA
tal que
es lineal e insesgado.
, de
ECONOMETRIA
Adems,
En tal caso, puesto que podemos escribir
se tiene que
con
, y en tal caso:
, esto es ,
Y como
es definida positiva:
y en tal
, y en tal caso:
es:
ya que
Para calcular dicho estimador se dispone de la expresin:
es:
Una vez estimado el modelo lineal uniecoacional mltiple, es decir, una vez
obtenidas las estimaciones
dichas estimaciones.
ECONOMETRIA
teniendo
en
cuanta
la
descomposicin
10
ECONOMETRIA
fiables, ya que, por ejemplo, puede ser que no se cumpla alguna de las hiptesis
bsicas y los resultados no ser vlidos. Por tanto, estos indicadores han de ser
considerados como una herramienta ms a tener en cuanta dentro del anlisis.
de
, el criterio de
Akaike
el de Schwarz a:
responde
la
expresin:
, y el de Hannan-Qinn:
.
11
ECONOMETRIA
se
donde
Usando la distribucin
si
donde
es el punto de una
de Senedecor de
de libertad que deja por debajo suyo una probabilidad
Casos particulares
12
grados
ECONOMETRIA
donde
es el elemento
el elemento
de la matriz
o lo que es lo mismo,
de
es
al nivel de significacion
si
donde
es el punto de una distribucion t de student con
de libertad que deja por debajo suya una probabilidad
Este caso particular es de vital importancia cuando
contrastando si el coeficiente de la variable independiente
grados
ha de estar en el
modelo, por lo que sus variaciones influyen en la variable dependiente. En tal caso se
dice que dicha variable es significativa y que el contraste es un contraste de
significacin individual.
, sera deseable
13
ECONOMETRIA
Anlisis de varianza
El anlisis de la varianza aborda el contraste que tiene por hiptesis nula que
todos los coeficientes de las variables independientes son nulos simultneamente, esto
es,
Salta a la vista que estamos ante un caso particular de un contraste sobre k 1
restricciones lineales de los coeficientes de las variables independientes. En este caso,
rechazaremos la hiptesis nula al nivel de significacin
si
14
ECONOMETRIA
Por otro lado, sin ms que dividir la regin de rechazo por SCT tanto en el
numerador como en el denominador se obtiene la expresin equivalente:
Intervalos de confianza
A partir de las distribuciones en el muestreo para los estimadores estudiados es
inmediato obtener los siguientes intervalos de confianza al nivel 1
Intervalo de confianza para
donde
con
se calculara
la regin de
15
ECONOMETRIA
donde
mnima varianza).
, es decir, para
, ya que es insesgado.
se tiene que
Ahora bien, esta distribucin no es apta para hacer inferencia puesto que depende
de la cantidad desconocida
16
ECONOMETRIA
donde
para
de student con
donde
17
para
es :
ECONOMETRIA
5- Ejemplos
Ejemplo 1
A continuacin vamos a realizar un anlisis exhaustivo del modelo
de forma que :
18
ECONOMETRIA
Es decir
19
ECONOMETRIA
Desde un punto de vista terico, dichos residuos han de sumar cero, si bien en
este caso la suma del vector anterior es igual a 00016. De igual forma, a partir de
dichos residuos se puede obtener f fcilmente la estimacin de la varianza de la
perturbacin aleatoria, ya que por definicin:
donde
Puesto que
Es claro que
que ser usada para calcular la regin de rechazo de los contrastes de significacin
20
ECONOMETRIA
Se tiene que
donde
es el elemento
de la matriz
de la matriz
21
o, lo que es lo mismo,
ECONOMETRIA
influye en
y no rechazamos
mientras que la
es
se rechaza la
hiptesis nula si
donde
grados
SCE denota
Y como
nula. Esto es, existe al menos un coeficiente que es no nulo de manera que entonces se
puede afirmar que hay algn tipo de asociacin (que no se debe al azar) entre las
variables independientes y la dependiente.
Para terminar con la validacin del modelo, estudiaremos si el coeficiente de
determinacin obtenido con anterioridad es significativo o no. Teniendo en cuenta que :
22
ECONOMETRIA
es significativo.
Puesto que en este caso:
Recordemos que
23
ECONOMETRIA
se tiene a
pertenece al
intervalo calculado, se puede afirmar (al nivel de confianza considerado) que la relacin
estimada para las variables se sigue verificando (permanece la estructura) para la nueva
informacin.
Por ultimo, con el objetivo de aplicar la estimacin con informacin a priori al
modelo considerado vamos contrastar la hiptesis nula
As, en el
Donde
grados
se obtiene que
de forma que
24
ECONOMETRIA
Y en tal caso,
es evidente que no se
rechaza la hiptesis nula, es decir, no rechazo que los coeficientes de las variables
verifiquen la relacin
En tal caso, habr que incorporar dicha informacin al modelo con el fin de obtener
un mejor estimador (cuando se dispone de informacin a priori el estimador por
mnimos cuadrados ordinarios ya no es optimo). En esta situacin el estimador
insesgado con mnima varianza es el de mnimos cuadrados restringidos, el cual
responde a la siguiente expresin:
Faltando calcular
25
ECONOMETRIA
Ejemplo 2
Dado el modelo
(9) donde:
(9) donde:
26
ECONOMETRIA
varianzas-covarianzas de
27
ECONOMETRIA
Para calcular la regin de rechazo y tomar una decisin en este contraste planteamos
la tabla ANOVA:
867747 > 315991 ,de forma que es evidente que se rechaza la hiptesis nula de
28
ECONOMETRIA
que todos los coeficientes pueden ser nulos de forma simultnea. Por tanto, se tiene que
la relacin existente entre las variables independientes y la dependiente no se debe al
azar, validando el modelo.
Donde
de la matriz
En todos los casos se rechaza la hiptesis nula, lo que se interpreta como que las
variables X2, X3 y X4 son significativas.
Como es sabido, para llegar a estas conclusiones tambin se podran haber
obtenido los intervalos de confianza de cada coeficiente:
29
Al igual que
ECONOMETRIA
Por todo lo expuesto hasta ahora se tiene que el modelo estimado es vlido y que
las variables de renta familiar, deuda y nmero de hijos influyen positivamente en el
consumo de las familias. Es decir, a mayor renta, deuda y nmero de hijo mayor
consumo familiar. Adems, al ser la variable correspondiente a la deuda una variable
ficticia, habremos estimado la diferencia esperada en el consumo familiar entre familias
con deuda y sin deuda con el mismo nivel de renta y nmero de hijos. En este caso se
obtiene que dicha estimacin es positiva, por lo que aquellas familias que tienen algn
tipo de deuda consumen ms que aquellas que no la tienen.
Ejemplo 3
Supongamos que adems del modelo del ejemplo anterior se tienen en cuenta estos
otros dos modelos:
30
ECONOMETRIA
Por tanto:
Para los modelos (12) y (13) seguirn siendo vlidos los valores de yt y, n y k,
sin embargo, habr que obtener la suma de cuadrados de los residuos de cada modelo.
En tal caso
En tal caso
31
ECONOMETRIA
6- Lecturas recomendadas
[1] Salmern, R. y Garca, C. (2010). Experiencia docente en la asignatura de
Mtodos Cuantitativos para la Economa y la Empresa para su adaptacin
al Espacio Europeo de Educacin Superior. XXXII Congreso Nacional de
Estadstica e Investigacin Operativa. A Corua 14-17 septiembre 2010.
[2] Salmern, R., Lpez, M. y Garca, C. (2011). Uso de las Tics en la docencia
de la Econometra. XXV Congreso Internacional de Economa Aplicada ASEPELT, 8-11 junio 2011.
[3] Salmern, R. y Tamayo, J. (2012). Incidencia de la calidad en la produccin
explotacin y exploracin de las empresas. I International workshop on
Difusin
Process and Multivariate Analysis. Granada 6 Julio 2012.
[4] Salmern, R. (2012). Entorno de programacin R y la econometra: funcin
MUM (online).
[5] Novales, A. (1993). Economertia. McGraw Hill. Captulo 1 (repaso
matrices).
Puedes encontrarlas en la direccin web:
http://www.ugr.es/local/romansg/material/WebEco/index.html
7- Bibliografa
32
ECONOMETRIA
[1] Esteban, M.V., Moral, M.P., Orbe, S., Regulez, M., Zarraga, A. y Zubia, M.
(2009). Econometra bsica aplicada con Gretl. Sarriko-On, Universidad del
Pas Vasco. Captulos 2, 3, 4 y 7.
[2] Gujarati, D. (1997). Econometra. Ed. McGraw Hill. Captulos 2, 3, 4, 5 y 7.
[3] Johnston, J. (1989). Mtodos de Econometra. Ed. Vicens-Vives. Captulos
2, 4, 5 y 6.
[4] Novales, A. (1993). Econometra . McGraw Hill. Captulos 3 y 4.
[5] Uriel, E., Contreras, D., Molt, M.L. y Peir o, A. (1990). Econometra. El Modelo
Lineal. Editorial AC. Captulos 2, 3, 4, 5, 6 y 8.
[6] Wooldridge, J.M. (2005). Introduccin a la Econometra : Un enfoque moderno.
Thomson. Captulos 2, 3, 4 y 6, y Apndices.
33
ECONOMETRIA
Tema 4
Multicolinealidad
Concepto y causas
Multicolinealidad exacta: efectos
Multicolinealidad aproximada: efectos
Deteccin de la Multicolinealidad
Soluciones al problema de multicolinealidad
1. Concepto y causas
Multicolinealidad
34
ECONOMETRIA
, por lo
(hay infinitas).
donde
entonces
en el modelo original:
obtenemos que las combinaciones lineales estimables de los parmetros originales son:
35
ECONOMETRIA
y obtener los
4. Deteccin de Multicolinealidad
Basarse en los sntomas enumerados anteriormente para la deteccin de la
multicolinealidad no es un procedimiento fiable ya que es subjetivo.
Por tal motivo, para la deteccin de la multicolinealidad usaremos los mtodos:
Numero de condicin
Factor de agrandamiento de la varianza
El nmero de condicin,
auto valor ms grande de
Esto es:
donde
36
ECONOMETRIA
El FAV se interpreta como la razn entre la varianza observada y la que habr sido en
caso de que
Soluciones
mxima de la
variables observadas.
eliminacin de las variables que se sospechan son causantes de la
multicolinealidad.
en caso de disponer de pocas observaciones, aumentar el tamao de la
muestra
utilizar la relacin extramuestral que permita realizar relaciones entre los
parmetros (informacin a priori) que permita estimar el modelo por
mnimos cuadrados restringidos.
Por otro lado, algunos autores sugieren tratar el problema de la multicolinealidad de
forma mecnica y puramente numrica proponiendo una tcnica conocida como
regresin alomada. Sin embargo, esta tcnica tiene dos problemas importantes:
es arbitraria y los estimadores obtenidos no son interpretables.
Lecturas recomendadas
37
ECONOMETRIA
Bibliografa
38
ECONOMETRIA
Tema 5
Heteroscedasticidad
Heteroscedasticidad
( Varianza constante=
homocedasticidad)
heteroscedasticidad.
Consideramos entonces el modelo lineal general
tal que
no constante.
Advirtase que en este caso se dice que el modelo tiene una matriz de
varianzas-covarianzas no escalar o con perturbaciones no esfricas (ya que la matriz de
varianzas-covarianzas de la perturbacin aleatoria ya no es igual al producto de una
constante por la matriz identidad).
Ejemplo: (Novales-Econometra)
Este problema aparece especialmente cuando se disponen de datos de seccin cruzada,
es decir, cuando se disponen de observaciones que miden una variable en un momento
determinado para distintas entidades (individuos, familias, empresas, etc.).
39
ECONOMETRIA
Ejemplo ( Novales-Econometra )
Supongamos que en lugar de considerar el modelo
especifica este otro
Si la variedad omitida es realmente relevante, la perturbacin aleatoria
depender de
por lo que se puede establecer que
en tal caso:
40
se
ECONOMETRIA
Consecuencias de la heteroscedasticidad
Puesto que en el mtodo de estimacin por MCO no influye la matriz de varianzascovarianzas de la perturbacin aleatoria es claro que el estimador por MCO del
modelo con perturbaciones no esfricas ser:
Dicho estimador sigue siendo lineal e insesgado, ya que las condiciones que
conducen a verificar dichas propiedades en el modelo con perturbaciones esfricas no se
han modificado (las demostraciones son idnticas a tal caso). Sin embargo, ya no se
tiene asegurado que la varianza sea mnima, ya que ahora:
3. Procedimiento de deteccin
Procedimiento de deteccin
Para detectar la heteroscedasticidad en un modelo lineal mltiple disponemos
de distintos procedimientos.
En primer lugar usaremos mtodos grficos a partir de los cuales intentaremos
intuir cules son las variables que provocan la existencia de heteroscedasticidad en el
modelo. Concretamente, estudiaremos los grficos de los residuos y de dispersin.
Puesto que tomar una decisin a partir de un procedimiento grfico no es muy
adecuado ya que son fcilmente manipulables, recurriremos a mtodos analticos para
determinar la presencia de heteroscedasticidad en el modelo. Los test estudiados son el
de Glesjer, Goldfeld-Quandt, Breusch-Pagan y White. Los dos primeros se deben usar
cuando la muestra es pequea y una variable es la causa de la heteroscedasticidad,
41
ECONOMETRIA
mientras que los otros dos cuando la muestra es grande y no se sabe la o las variables
que provocan el problema. Adems, la hiptesis nula de todos estos contrastes es
siempre que el modelo es homocedstico.
Mtodos Grficos
Dentro de los procedimientos grficos consideraremos:
Grfico de los residuos: es un grfico de dispersin de los residuos o residuos al
cuadrado,
frente a Si en dichos grficos observamos grupos de observaciones
con distinta varianza, podemos pensar en la presencia de heteroscedasticidad.
Grfico de dispersin: consiste en el diagrama de dispersin de los residuos o residuos
al cuadrado
frente a la variable independiente que sospechamos que puede
causar la heteroscedasticidad. Si la variabilidad de los residuos aumenta o disminuye
conforme aumenta el valor de la variable independiente, entonces podemos pensar que
la varianza de la perturbacin aleatoria depende de dicha variable y, por tanto, habra
presencia de heteroscedasticidad .
Ejemplo
.
102229
42
ECONOMETRIA
43
ECONOMETRIA
son
Ejemplos
Test de Goldfeld-Quantd
1. Ordenar de menor a mayor las observaciones respecto de la variable que
consideramos que produce la heteroscedasticidad.
44
ECONOMETRIA
Snedecor son
Ejemplos
Como
entonces rechazamos la hiptesis nula de homocedasticidad. Esto es, hay heteroscedasticidad en el
modelo considerado.
Test de White
1. Ajustar el modelo original por MCO y obtener los residuos,
2. Ajustar por MCO la regresin auxiliar en la que la variable dependiente son los
residuos al cuadrado y las independientes todas las variables del modelo original, sus
cuadrados y todos los posibles productos cruzados (omitiendo las repeticiones).
45
ECONOMETRIA
con
4.
entonces rechazamos la hiptesis nula de homocedasticidad. El
test de Breusch-Pagan coincide con este test con la nica diferencia de que la regresin
auxiliar normalmente solos se consideran como independientes todas las variables del
modelo.
Ejemplos
Al aplicar el test de Glesjer ya hemos ajustado el modelo original por MCO y
obtenido los residuos, por lo que procedemos a ajustar directamente la regresin
auxiliar:
entonces
rechazamos la hiptesis nula de homocedasticidad y, por tanto, en el modelo considerado hay presencia de heteroscedasticidad.
Puesto que
En tal caso,
rechazamos la hiptesis nula de homocedasticidad.
entonces
46
ECONOMETRIA
una matriz simtrica definida positiva entonces existe una matriz regular,
P, tal que
que
de donde se deduce
Esta suposicin final es fundamental para que el modelo pueda ser estimado.
En principio, si suponemos que todas las varianzas son distintas entre s, tendramos que
estimar k + n parmetros: k correspondientes a los coeficientes de las variables independientes y n correspondientes a la varianza de la perturbacin aleatoria. Ante esta situac-
47
ECONOMETRIA
in, habra ms parmetros a estimar que observaciones disponibles, n. Estimacin absolutamente imposible.
Ahora bien, teniendo en cuenta que
independientes (tal y como se ha puesto de manifiesto en los mtodos analticos), simplemente habra que estima. Por
tanto, hemos pasado a estimar un slo parmetro en
lugar de n. Es decir, hay que estimar en el modelo k+1 parmetros. Cuestin que ahora
si es asumible.
Para resolver el problema de heteroscedasticidad, como hemos indicado, hay
que encontrar una matriz P no estocstica tal que
es claro que
48
ECONOMETRIA
Y entonces
Ejemplo
En el modelo considerado sobre al anlisis de los dividendos de las empresas en
funcin de sus beneficios hemos constatado, a partir de 20 observaciones, la presencia
de heteroscedasticidad en dicho modelo. Por tanto, las estimaciones obtenidas
no son optimas.
Gracias al test de Glesjer hemos supuesto que
es decir, la perturb-
vacin aleatoria depende directamente de los beneficios. Por tanto, lo que en teora se
denotaba como corresponde a la variable beneficios,
Luego para transformar los
datos habr que dividir por la raz cuadrada de dicha variable:
Ejemplo
A partir de los datos transformados (ver la tabla 4) se obtiene
la siguiente estimacin por MCO del modelo transformado:
49
ECONOMETRIA
con (advirtase que los valores numricos de las nuevas estimaciones no difieren
mucho de las originales).
Para estudiar si se ha resuelto el problema de heteroscedasticidad, realizaremos el
contraste de White para su deteccin:
Lecturas recomendadas
[1] Salmern, R. y Tamayo, J. (2010). Tcnicas cuantitativas aplicadas al anlisis de la
flexibilidad en la produccin, la explotacin y la exploracin en las empresas. Revista
Estadstica Espaola, Volumen 52, Numero 175, Pginas 529-567.
[2] Gmez, S. y Salmern, R. (2011). Influencia del entorno institucional en el desarrollo del emprendimiento espaol. Un anlisis emprico. Revista Venezolana de
Gerencia, Volumen 16, Nmero 54, Pginas 191-208.
[3] Salmern, R., Gutirrez, R., Lpez, M.M. y Garca, C. (2012). Evaluando la evalu
acin contina. III Jornadas sobre Innovacin Docente y Adaptacin al EEES en las
Titulaciones Tcnicas. Granada 20-21 septiembre 2012. Puedes encontrarlas en la
direccin web:
http://www.ugr.es/local/romansg/material/WebEco/index.html
Bibliografa
[1] Gujarati, D. (1997). Econometria. Ed. McGraw Hill. Captulo 9.
[2] Johnston, J. (1989). Mtodos de Econometra. Ed. Vicens-Vives. Captulo 8.
[3] Novales, A. (1993). Econometria. McGraw Hill. Captulo 6.
[4] Uriel, E., Contreras, D., Malt, M.L. y Peir, A. (1990). Econometra. El Modelo
Lineal. Editorial AC. Captulo10.
[5] Wooldridge, J.M. (2005). Introduccin a la Econometra: Un enfoque moderno.
Thompson. Captulo 8.
50
ECONOMETRIA
Tema 6
Autocorrelacin
correlacin.
En tal caso, los elementos de fuera de la diagonal principal de la matriz de
varianzas-covarianzas no son todos nulos (hay al menos un elemento no nulo). Este
problema aparece especialmente cuando se disponen de datos de series temporales, es
decir, cuando se disponen de observaciones que miden una variable de una entidad
(individuos, familias, empresas, etc.) a lo largo del tiempo.
Ejemplo
51
ECONOMETRIA
Autocorrelacin
tal que
Ejemplo
52
ECONOMETRIA
es
donde se ha tenido en cuenta que la perturbacin aleatoria del primer modelo tiene
media cero y esta incorrelada.
3. Procedimientos de deteccin
Para detectar la autocorrelacin en un modelo lineal mltiple disponemos de
distintos procedimientos.
En primer lugar usaremos mtodos grficos a partir de los cuales intentaremos
intuir cuales son las variables que provocan la existencia de autocorrelacin en el
modelo. Ya que las perturbaciones aleatorias no son observables, usaremos los residuos
de la estimacin por MCO (al igual que para detectar la heteroscedasticidad).
Concretamente, analizaremos el grfico temporal de los residuos y el grfico de
dispersin de los mismos frente a algn retardo suyo.
Puesto que tomar una decisin a partir de un procedimiento grafico no es muy
adecuado ya que son fcilmente manipulables y sera totalmente subjetiva, recurriremos
a mtodos analticos para determinar la presencia de heteroscedasticidad en el modelo.
De todos los mtodos analticos disponibles, el ms utilizado, y que
estudiaremos, es el de Durbin-Watson. Adems, como este mtodo no es adecuado
cuando existen variables retardadas como explicativas (ya que entonces tiende a indicar
ausencia de autocorrelacin), se estudia entonces el contraste h de Durbin. Tambin
usaremos el contraste de Ljung-Box.
53
ECONOMETRIA
Mtodos grficos
Ejemplo
54
ECONOMETRIA
55
ECONOMETRIA
Contraste de Durbin-Watson
donde
y denotando
56
ECONOMETRIA
Ejemplo
Considerando el modelo que ajusta el consumo energtico en funcin del BIP, tras
estimarlo por MCO
57
ECONOMETRIA
Ejemplo
A partir de dicha informacin se puede calcular el valor del estadstico de DurbinWatson:
Y de su aproximacin:
H de Durbin
58
ECONOMETRIA
del tipo
donde
para contrastar
Utilizaremos el estadstico
rechazara la hiptesis nula si
de forma que se
Contraste de Ljung-Box
Si los residuos son independientes, sus primeras m autocorrelaciones son cero, para
cualquier valor de m. El contraste de Ljung-Box contrasta, entonces, la hiptesis nula de
que las primeras m autocorrelaciones, m, son cero. Esto es:
Ejemplo
59
ECONOMETRIA
De forma que:
Como
incorrelacion.
60
ECONOMETRIA
donde
(homocedasticidad) y
( autocorrelacion)
Por tanto, la matriz de varianzas-covarianzas de la perturbacin aleatoria ser
61
ECONOMETRIA
(que es ), 1 correspondiente
62
, es tal que
ECONOMETRIA
Ahora bien, para obtener estos valores del modelo transformado es necesario estimar ,
pero para esto hay que estimar tambin los coeficientes. Cmo resolver este problema?
Mediante el proceso iterativo de Prais-Winsten que describimos a continuacin.
Para
En tal caso se puede establecer un proceso iterativo similar
al anterior que recibe el nombre de Cochrane-Orcutt.
Finalmente, comprobemos que con esta transformacin realmente se ha eliminado
el problema en el modelo.
Para t=1, se tiene que
por lo que:
63
ECONOMETRIA
y entonces:
Por tanto, el modelo transformado tiene una perturbacin aleatoria con media cero,
varianza constante, ,
e incorrelada. Luego el problema ha sido resuelto.
Ejemplo
Dado el modelo que analiza el consumo energtico a partir del PIB, en el que sabemos
que hay autocorrelacin positiva, vamos a transformarlo de forma adecuada para
subsanar dicho problema.
A partir de la estimacin por MCO del modelo original y considerando los residuos de
dicho ajuste, obtenemos una estimacin de sin ms que ajustar el modelo de frente a
obtenindose:
Es decir
Como se dispone de pocas observaciones, transformaremos los datos conforme
al proceso de Prais-Winsten:
64
ECONOMETRIA
y un valor del estadstico de Durbin-Watson, d, de 1208017. Puesto que dL < d < dU, el
contraste de Durbin-Watson no es concluyente.
A continuacin, siguiendo el proceso iterativo, habra que volver a estimar a
partir de este modelo transformado y volver a transformar los datos. Y as
sucesivamente hasta que el proceso converja.
En este caso es necesario realizar 12 iteraciones para la convergencia
obtenindose la estimacin:
65
ECONOMETRIA
Nota sobre P
Lecturas recomendadas
66
ECONOMETRIA
67