Modelo de Regresion Lineal Clasico

INCUMPLIMIENTOS DEL MODELO DE
REGRESIN LINEAL NORMAL CLSICO

CONGRETL
MVICTORIAVERDUGOMATSMISABELCALBOUZADA
MULTICOLINEALIDAD
INTRODUCCIN
Lamulticolinealidadensentidoestrictohacereferenciaalaexistenciaderelacioneslinealesentre
lasvariablesexplicativasdeunmodeloeconomtrico.Noobstante,algunosautoresconsideranun
concepto de multicolinealidad ms amplio, la definen como la existencia de relaciones lineales
entrelosregresoresdelmodelo(incluyeademsdelasrelacionesentrevariablesexplicativas,las
relaciones entre alguna/s variable/s explicativa/s y el regresor ficticio), es lo que Marquart,
denominamulticolinealidadnoesencialomulticolinealidadensentidoamplio.
Es posible considerar dos tipos de multicolinealidad, que aunque plantean problemas similares,
tienen efectos esencialmente distintos, la multicolinealidad exacta o perfecta y la
multicolinealidad aproximada, dependiendo de s las relaciones lineales son perfectas o
aproximadas.
De manera general, en un modelo economtrico no es frecuente la multicolinealidad perfecta,

perosqueexistaundeterminadogradodemulticolinealidad.Portanto,lamulticolinealidadnoes
un problema de existencia sino de determinacin de su grado. Al contrario de lo que pueda
pareceraprimeravista,esmsgravelamulticolinealidadaproximadaquelaperfecta,yaquela
deteccin de esta ltima es inmediata1 mientras que la deteccin de la multicolinealidad
aproximadanoloes.
La multicolinealidad perfecta supone el incumplimiento de la condicin de rango relativa a la

matriz de regresores, que implica que el rango de dicha matriz coincide con el nmero de sus
columnas(K+1).Estahiptesisafectaalaposibilidaddeestimarelmodelo,yaqueestacondicin
esdenecesariocumplimientoparapodercalcularlainversadelamatrizdeproductoscruzadosde
losregresores(X'X)que,enestecaso,serasingular(sudeterminanteseracero).
En el MRLNC se supone que entre los regresores del modelo no existen relaciones lineales
perfectas, ni siquiera aproximadas en sentido estricto. Cuando la multicolinealidad aproximada
1
Cuando Gretl detecta multicolinealidad perfecta realiza la estimacin omitiendo alguna/s de la/s variable/s
causante/s del problema.En el siguiente caso, las variables X4 yX5proporcionan lamisma informacin, por lo que
GretlrealizalaestimacindelmodelosintenerencuentaX5.
? X5 = X4
Se ha generado la serie X5 (ID 6)
? ols Y const X1 X2 X3 X4 X5 --simple
MCO, usando las observaciones 1-30

Variable dependiente: Y
Omitidas debido a colinealidad exacta: X5
Coeficiente Desv. Tpica Estadstico t Valor p
--------------------------------------------------------------
const 13.7944 4.21508 3.273 0.0031 ***
X1 13.2993 13.8701 0.9588 0.3468
X2 0.00832247 0.000511718 16.26 8.32e-015 ***
X3 0.177501 0.617597 0.2874 0.7762
X4 9.71591 13.9330 0.6973 0.4920
SCR = 2.16309, R-cuadrado = 0.964520
MVictoriaVerdugoMats(vverdugo@uvigo.es)MIsabelCalBouzada(ical@uvigo.es)
INCUMPLIMIENTOS DEL MODELO DE REGRESIN LINEAL NORMAL CLSICO CON GRETL
2
est presente, se puede abordar la estimacin MCO del modelo, pues se sigue cumpliendo la
hiptesisderangoy,adems,losestimadoresMCOsiguensiendoLIO.Enestecasolamatrizde
productoscruzadosdelosregresoresseraunamatriznosingular(sudeterminantenoseranulo
peroseacercaraaceroamedidaqueaumenteelgradodemulticolinealidad),sepodracalcular
lainversadeXXperosuselementosseranelevados(tantomselevadosamedidaqueaumente
el grado de multicolinealidad). Adems, como la matriz de varianzascovarianzas de los
estimadores es proporcional a XX, las varianzas de los estimadores seran elevadas y los
estimadoresseranimprecisos.Ladificultadestenqueentalsituacin,aislarlosefectosquelas
variablesexplicativasejercensobreelregresandoconstituyeunadifciltarea.
Estecaptuloseocupartantodelestudiodereglasparaladeteccindemulticolinealidadcomo
desusposiblessoluciones.
DETECCINDEMULTICOLINEALIDAD
Dado que la multicolinealidad es esencialmente un problema de tipo muestral, no existen
contrastes estadsticos propiamentedichos parasu deteccin y/o la determinacin de su grado.
Sin embargo, se han desarrollado numerosas reglas prcticas encaminadas a determinar en qu
medida dicho problema afecta a la estimacin y contrastacin del modelo y, qu variable o
variablessonlascausantesdelmismo.
CRITERIOSDESCRIPTIVOS
En la estimacin y contrastacin del modelo existen una serie de indicios, que aunque no son
concluyentes desde el punto de vista estadstico, pueden hacer sospechar la existencia de
problemasdemulticolinealidad:
Estimadoresconsignosincorrectos
Estimadoresimprecisosybondaddeajusteelevada
Contradiccionesentreloscontrastesdenulidadindividualyconjunta
CRITERIOSESTADSTICOS
COEFICIENTES DE CORRELACIN LINEAL Y DETERMINANTE DE LA MATRIZ DE
CORRELACIN
Un criterio para la deteccin de problemas de multicolinealidad consiste en el anlisis de los
coeficientes de correlacin simple entre las variables explicativas (elementos de la matriz de
correlacindelasvariablesexplicativas,RX).
Elcoeficientedecorrelacinsimpleocoeficientedecorrelacinlinealentrelasvariables X i y X j
( r ij )esunindicadordelgradoderelacinlinealentredichasvariables:
MULTICOLINEALIDAD
3
T
(X
t 1
it - X i )(X jt - X j )
rij = - 1 rij 1
T T
(X
t 1
it - Xi ) 2
(X
t 1
jt
2
-Xj )
Observandoelcoeficientedecorrelacinenvalorabsoluto:
Si | r ij | 1 lacolinealidadesexacta
Si | r ij | 1 essntomadeelevadacolinealidad
Si | r ij | 0 implicaortogonalidad
Otro criterio para la deteccin de problemas de multicolinealidad consiste en el anlisis del

determinantedelamatrizdecorrelacindelasvariablesexplicativas.
RxeslamatrizdecorrelacinentrelasKvariablesexplicativasdelmodelo:
r 11 r 12 ... r 1K

r 21 r 22 ... r K2
=
RX 0 | Rx | 1
... ... ... ...

... r KK KxK
r K1 r K2
Observandoeldeterminantedelamatrizdecorrelacin:
Si | R x | 0 lacolinealidadesexacta(algunasdelascorrelacionessonunitarias)
Si | R x | 0 lacolinealidadeselevada(algunasdelascorrelacionesestncercanasauno)
Si | R x | 1 implicaortogonalidad(lascorrelacionessonnulas)
R 2 AUXILIARES,FACTORESDEINCREMENTODELAVARIANZAYTOLERANCIAS
Conelanlisisdelascorrelacionessimplesslosepuededeterminarlaexistenciadecolinealidad
entre las variables dos a dos, pero puede ocurrir que dicha colinealidad no exista o sea
relativamente baja, existiendo una elevada interaccin entre todas las variables consideradas
conjuntamente.
ElR2auxiliardelaregresindelavariable X j sobreelrestodelasvariablesexplicativas( R 2j )mide

lacorrelacinmltiplededichavariableconelrestodelasvariablesindependientesdelmodeloy
permiteidentificarlasvariablescausantesdelamulticolinealidad:
R 2j
X j / const , X 1 , X 2 , X j 1 , X j 1.,..., X K j 1,2,..., K
Si R 2j > R 2 de la regresin con todas las variables explicativas, la variable X j es causante de

multicolinealidad.
4
Comoreglaemprica2:
LosR2auxiliares( R 2j )permitenidentificarlasvariablescausantesdemulticolinealidad:si R 2j 0.9

lavariable X j escausantedemulticolinealidad.
LosFactoresdeIncrementodelaVarianza( FIV j )permitenidentificarlasvariablescausantesde

1
multicolinealidad:si FIV j = 10 lavariable X j escausantedemulticolinealidad.
1 - R 2j
Las Tolerancias ( T j ) permiten identificar las variables causantes de multicolinealidad: si

1
Tj = 1 - R 2j 0.1 lavariable X j escausantedemulticolinealidad.
FIV j
Observacin: a medida que aumenta el R2 auxiliar ( R 2j ) aumenta el Factor de Incremento de la

Varianza( FIV j )ydisminuyelaTolerancia( T j ):
Si R 2j 0 Ortogonalidad:
1 1 1 1
FIV j 1 T j 1 o T j 1 R 2j 1 0 1
1 R 2j 1 0 FIV j 1
Si R 2j 0.9 :
1 1 1 1 1
FIV j 10 T j 0.1 o T j 1 R 2j 1 0.9 0.1
1 R 2j 1 0.9 0.1 FIV j 10
Si R 2j 1 Multicolinelidadperfecta:
1 1 1 1
FIV j T j 0 o T j 1 R 2j 1 1 0
1 R 2j 1 1 FIV j
AUTOANLISIS
Esposiblelaexistenciadecolinealidadesquenoimpliquenatodaslasvariablesindependientesy
que,portanto,noseanbiendetectadasporlosFactoresdeIncrementodelaVarianza.Unaforma
ms completa de detectar colinealidad es realizar un anlisis de componentes principales de las
variablesindependientes.
Lascomponentesprincipalesdeunconjuntodevariablessonotrasvariables,combinacinlineal
delasoriginalesquecumplentrespropiedades:
2
Kleinbaumconsideraquehayproblemasdecolinealidadsialgncoeficientededeterminacinauxiliaressuperiora
0.9,loqueimplicaquealgnFactordeIncrementodelaVarianzaessuperiora10yalgunaToleranciaesinferiora0.1.
MULTICOLINEALIDAD
5
- sonindependientesentres(noestncorrelacionadas)
- contienenlamismainformacinquelasvariablesoriginales
- tienenlamximavarianzaposiblecumpliendolasdospropiedadesanteriores
Se denomina autoanlisis al conjunto de instrumentos que ayuda a determinar la existencia de

interrelacionesconjuntas.Elautoanlisissebasaenlosautovectoresovectorespropios( v ji )ylos
autovaloresovalorespropios( i ),esdecir,enlasrelacionesestructuralescomunesatodaslas
variables3.
El clculo de los autovalores permite determinar la existencia de colinealidad y el nmero de

colinealidades:autovaloresprximosaceroindicanproblemasgravesdecolinealidadyelnmero
de autovalores nulos indica el nmero de variables que son combinacin lineal (nmero de
colinealidadesexactas).
Lasmedidasdeautoanlisismsutilizadasson:
ElcocienteentreelautovalormximoyelautovalorisimosedenominaNmerodeCondicini
simo( NC i ):
NCi =
max i 1,2,..., N variables
i
Enelcasoparticulardequeeldenominadorseaelautovalormnimo,dichococientesedenomina
NmerodeCondicinGlobal( NC ):
NC =
max
min
ElNmerodeCondicinGlobalservircomoindicadordemulticolinealidad:
3
Cuando se est interesado en el anlisis de la colinealidad entre los regresores del modelo (multicolinealidad en
sentido amplio), se debe utilizar la matriz de productos cruzados de los regresores normalizados (en Gretl se debe
ejecutaruncomandoviftraslaestimacinMCOdelmodelocondatosoriginales).
Cuando se est interesado en el anlisis de la colinealidad entre las variables explicativas del modelo
(multicolinealidadensentidoestricto),sedebeutilizarlamatrizdeproductoscruzadosdelasvariablesexplicativas
centradas normalizadas (en Gretl se debe ejecutar un comando vif tras la estimacin MCO del modelo con datos
centrados).
6
Si NC 100 lacolinealidadnoesunproblema
Si 100 NC 900 colinealidadmoderada
Si NC 900 elevadacolinealidad
Larazcuadradadelcocienteentreelautovalormximoyelautovalorisimosedenominandice
deCondicinisimo( IC i ):
ICi NCi =
max i 1,2,..., N variables
i
Enelcasoparticulardequeeldenominadorseaelautovalormnimo,dichococientesedenomina
ndicedeCondicinGlobal( IC ):
IC NC =
max
min
ElndicedeCondicinGlobalservircomoindicadordemulticolinealidad4:
Si IC 10 lacolinealidadnoesunproblema
Si 10 IC 30 colinealidadmoderada
Si IC 30 elevadacolinealidad
Thisteddefineelndicedemulticolinealidad( imc ):
2
N Variables
min
imc = i=1

i

Elndicedemulticolinealidadservircomoindicadordemulticolinealidad5:
Si imc 1 elevadacolinealidad
Si imc 2 colinealidadmoderada
4
ParaBelsleyndicesdeCondicinentre5y10estnasociadosconunacolinealidaddbilendicesdeCondicinentre
30y100estnasociadosconunacolinealidaddemoderadaafuerte.
5
DeacuerdoconThistedlamulticolinealidadenunmodeloesprcticamenteperfectasielimcesaproximadamente1.
MULTICOLINEALIDAD
7
Determinada la presencia de multicolinealidady el nmero decolinealidades, se debeaveriguar

cules son las variables implicadas en la misma. Para ello se calculan las Proporciones de
DescomposicindelaVarianza6( PDV ji ):
v 2ji
i j 1,2,..., N variables i 1,2,..., N variables
PDV ji = N Variables
v 2ji

i=1 is
LaProporcindeDescomposicindelaVarianzaservircomoindicadordemulticolinealidad7:
Siunautovalorestcercanoacero8ydosomsvariablestienenunaPDV>0.5enelmismo,esas
variablesserncolineales.
COMANDOSPARAANALIZARLAMULTICOLINEALIDAD
COMANDOols
Elformatodelcomandools9es:
olsYconstX1X2XK
Lasalidaestndardelcomandoolses:
MCO, usando las observaciones 1-T
--------------------------------------------------------------
const b0 Sb t0 pvt00
X1 b1 Sb1 t1 pvt1
X2 b2 S b2 t2 pvt2

XK bK SbK tK pvt K
Media de la vble. dep. Y D.T. de la vble. dep. SY
6
Eslaproporcindelavarianzadelasvariablessobrecadacomponente.SidosomsvariablestienenunaProporcin
deDescomposicindelaVarianzaaltaenunacomponente,dichasvariablesestnimplicadasenlacolinealidad.
7
BelsleyproponeusarconjuntamentelosICylasPDVpararealizareldiagnsticodecolinealidad:siunacomponente
tieneunIC>30ydosomsvariablestienenunaPDV>0.5enelmismo,esasvariablessoncolineales.
8
Para determinar cundo un autovalor pequeo est suficientemente prximo a cero se usa su valor relativo con
respectoalmayorautovalor(ndicedeCondicin),alqueselepedirqueseasuperiora30.
9
OtraformadeaccederaestainformacinseraseleccionarMnimosCuadradosOrdinariosenelmenModeloen
laBarradeMendelaVentanaPrincipaldeGretl.
8
Suma de cuad. residuos SCE D.T. de la regresin S
R-cuadrado R2 R-cuadrado corregido R2
F(K, T-K-1) F2 Valor p (de F) pv F2
Log-verosimilitud L Criterio de Akaike AK
Criterio de Schwarz SC Crit. de Hannan-Quinn HQ
Sin considerar la constante, el valor p ms alto fue el de la variable
Utilizandolas30primerasobservacionesdelficherodatos1.gdt10existenunaseriederesultados
en la estimacin y contrastacin del modelo que pueden hacer pensar en la existencia de un
problemademulticolinealidad:
? smpl 1 30
Rango de datos completo: 1 - 60 (n = 60)
Muestra actual: 1 - 30 (n = 30)
? ols Y const X1 X2 X3 X4
Modelo 1: MCO, usando las observaciones 1-30
--------------------------------------------------------------
const 13.7944 4.21508 3.273 0.0031 ***
X1 13.2993 13.8701 0.9588 0.3468
X2 0.00832247 0.000511718 16.26 8.32e-015 ***
X3 0.177501 0.617597 0.2874 0.7762
X4 9.71591 13.9330 0.6973 0.4920
Media de la vble. dep. 10.63333 D.T. de la vble. dep. 1.449931

Suma de cuad. residuos 2.163087 D.T. de la regresin 0.294149
R-cuadrado 0.964520 R-cuadrado corregido 0.958843
F(4, 25) 169.9064 Valor p (de F) 9.79e-18
Log-verosimilitud 3.123241 Criterio de Akaike 16.24648
Criterio de Schwarz 23.25247 Crit. de Hannan-Quinn 18.48776
Sin considerar la constante, el valor p ms alto fue el de la variable 4 (X3)
- Labondaddeajustedelmodeloeselevada( R 2 0.964520 )ysoloesprecisoelestimadordel

parmetroqueacompaaalavariableX2( | t 2 | 16.26 2 ),loquepuededeberseaunproblema
demulticolinealidad.
- Haycontradiccinenloscontrastes,anivelconjuntoserechazalahiptesisdenulidadparalos
parmetros que acompaan a las variables explicativas ( p valor F2 9.79 10 -18 0.05 ) y a
nivelindividualseaceptalahiptesisdenulidadparatodoslosparmetrosexceptopara 2
( p valor t 2 8.32 10 -15 0.05 ).
- Hay un signo no apropiado ya que se esperara que el coeficiente estimado del precio del
aceitedegirasoltuviesesignopositivodeacuerdoconlateoraeconmica( b 3 -0.177501 ),lo
quepuededeberseaunproblemademulticolinealidad.
10
Elficherodatos1.gdtcontieneinformacinrelativaa60familiasparalasvariables:consumofamiliarmensualmedio
de aceite de oliva en litros (Y), precio medio de compra del aceite de oliva en euros/litro (X1), ingresos familiares
mensuales medios en euros (X2), precio medio de compra del aceite de girasol en euros/litro (X3), precio medio de
compradelaceitedesojaeneuros/litro(X4)ytamaofamiliar(X5).
MULTICOLINEALIDAD
9
COMANDOcorr
El comando corr11 permite visualizar la matriz de coeficientes de correlacin lineal entre las
variablesqueintervienenenelcomandoysuformatoes:
corrX1X2XK
Lasalidaestndardelcomandocorres:
Coeficientes de correlacin, usando las observaciones 1 - T
valor crtico al 5% (a dos colas) = VC para T =
X1 X2 ... XK
r11 r12 ... r1K X1
r22 ... r2 K X2
... ... ...
rKK XK
Enestecaso,comoelcoeficientedecorrelacinlinealentreX1yX4envalorabsolutoestcercano
alaunidad( | r14 | 0.9999 ),sepodraafirmarqueexisteunelevadogradodemulticolinealidaden
elmodeloprovocadoporlarelacinlinealentreambasvariables:
? corr X1 X2 X3 X4
Coeficientes de correlacin, usando las observaciones 1 - 30

valor crtico al 5% (a dos colas) = 0.3610 para n = 30
X1 X2 X3 X4
1.0000 -0.1151 -0.0970 0.9999 X1
1.0000 -0.2653 -0.1177 X2
1.0000 -0.0927 X3
1.0000 X4
COMANDOgenr matrixOPERADORESmcorrydet
El operador mcorr del comando genr matrix permite calcular la matriz de coeficientes de
correlacinlinealentrelasvariablesqueintervienenenelcomando.
? Xraya = {X1, X2, X3, X4}
Se ha generado la matriz Xraya
? RX = mcorr(Xraya)
Se ha generado la matriz RX
? print RX
RX (4 x 4)
1.0000 -0.11511 -0.097013 0.99988
-0.11511 1.0000 -0.26526 -0.11772
-0.097013 -0.26526 1.0000 -0.092736
0.99988 -0.11772 -0.092736 1.0000
El operador det del comando genr matrix permite calcular el determinante de la matriz que
intervieneenelcomando.
? RXD = det(RX)
11
Otra forma de acceder a esta informacin es en la Ventana Principal de Gretl, seleccionar las variables y elegir
Matrizdecorrelacindelmenqueseabrealhacerclicconelbotnderechodelratn.Obien,seleccionarMatrizde
correlacinenelmenVer.
10
Se ha generado el escalar RXD = 0.000194477
Enestecaso,comoelvalordeldeterminantedelamatrizdecorrelacindelasvariablesesmuy
pequeo ( | R x | 0.000194477 0 ), se puede concluir que existe un elevado grado de
multicolinealidadenelmodelo.
COMANDOgenr matrixOPERADOReigengen
Eloperadoreigengendelcomandogenrmatrix permitecalcularlosvalorespropios(autovalores)de
unamatrizcuadrada12.Comolosautovaloresdependendelasunidadesdemedidadelasvariables,
esaconsejableunaprevianormalizacindelasmismas.
MATRIZXX
Dadoqueentrelasvariablesespecificadasseencuentraelregresorficticio,lanormalizacinnose
puedehacerutilizandoladesviacinestndar,yaqueparaelregresorficticioseranula,portanto,
se opta por normalizar dividiendo cada una de sus observaciones por la raz cuadrada del
T
sumatoriodelasobservacionesdelavariablealcuadrado X 2 .

it

t 1
Traslanormalizacindelosregresores,losautovaloresnodependendelasunidadesdemediday
sonmsfcilesdeinterpretar:
- Lasumadelosautovalorescoincideconelnmerodevariablesqueintervienenenelanlisis.
- El valor de los autovalores est acotado, su mximo es igual al nmero de variables que
intervienen en el anlisis y su mnimo es cero. En el caso de multicolinealidad perfecta el
autovalormximoseraigualalnmerodevariablesyelrestodeautovaloresseranigualesa
cero(mximadiferenciaentreelautovalormximoyelautovalormnimo).Lanicaposibilidad
dequetodoslosautovalorescoincidanesqueseanigualesalaunidad,siendoesteelcasode
ortogonalidad.
# Se definen los regresores normalizados
? constn = const/sqrt(sum(const^2))
Se ha generado la serie constn (ID 13)
? X1N = X1/sqrt(sum(X1^2))
Se ha generado la serie X1N (ID 14)
12
La matriz de productos cruzados de los regresores normalizados (multicolinealidad en sentido amplio) o de las
variablesexplicativascentradasnormalizadas(multicolinealidadensentidoestricto).
MULTICOLINEALIDAD
11
# Se define la matriz de regresores normalizados

? XN = {constn, X1N, X2N, X3N, X4N}
Se ha generado la matriz XN
# Se calculan los autovalores de la matriz de productos cruzados de los regresores normalizados

? AVAXTXN = eigengen(XN'XN)
Se ha generado la matriz AVAXTXN
# Se ordenan los autovalores en sentido descendente

? AVAXTXNo = dsort(AVAXTXN)
Se ha generado la matriz AVAXTXNo
? print AVAXTXNo
AVAXTXNo (5 x 1)
4.9646
0.020139
0.013349
0.0019477
1.3513e-006
Enestecaso,elanlisisdelosautovalores13hacesospecharmulticolinealidadensentidoamplio,
yaqueelautovalormximotomaunvalormuycercanoacinco( max 1 4.965 N variables 5 )y
el resto de los autovalores toman valores muy cercanos a cero
( 2 0.020139 , 3 0.013349 , 4 0.0019477 y min 5 1.3513 10 -6 ).
13
En este caso, los autovalores obtenidos son los que Gretl proporciona cuando se ejecuta un comando vif tras la
estimacinMCOdelmodelocondatosoriginales.
? ols Y const X1 X2 X3 X4 --quiet
? vif
Factores de inflacin de varianza (VIF)
Mnimo valor posible = 1.0
Valores mayores que 10.0 pueden indicar un problema de colinealidad
X1 4634.927
X2 1.111
X3 1.164
X4 4633.188
VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlacin mltiple

entre la variable j y las dems variables independientes
Diagnsticos de colinealidad de Belsley-Kuh-Welsch:
--- proporciones de la varianza ---

lambda cond const X1 X2 X3 X4
4.965 1.000 0.000 0.000 0.000 0.000 0.000
0.020 15.701 0.000 0.000 0.114 0.065 0.000
0.013 19.285 0.000 0.000 0.341 0.351 0.000
0.002 50.487 0.063 0.000 0.534 0.523 0.000
0.000 1916.713 0.937 1.000 0.010 0.061 1.000
lambda = valores propios de X'X, del ms grande al ms pequeo

cond = ndice de condicin
nota: las columnas de proporciones de la varianza suman 1.0
12
MATRIZR X
Cuando se est interesado en el anlisis de la multicolinealidad en sentido estricto o
multicolinealidadnoesencial,seutilizanlosautovaloresdelamatrizdeproductoscruzadosdelas
variables explicativas centradas normalizadas, que son los que Gretl proporciona cuando se
ejecutauncomandoviftraslaestimacinMCOdelmodelocondatoscentrados14(vasecomando
vif):
# Se definen las variables explicativas centradas normalizadas
? X1CN = (X1-mean(X1))/sqrt(sum((X1-mean(X1))^2))
Se ha generado la serie X1CN (ID 18)
# Se define la matriz de variables explicativas centradas normalizadas

? XCN = {X1CN, X2CN, X3CN, X4CN}
Se ha generado la matriz XCN
# Se define la matriz de productos cruzados de las variables explicativas centradas normalizadas

? XTXCN = XCN' * XCN
Se ha generado la matriz XTXCN
? print XTXCN
XTXCN (4 x 4)
1.0000 -0.11511 -0.097013 0.99988
-0.11511 1.0000 -0.26526 -0.11772
-0.097013 -0.26526 1.0000 -0.092736
0.99988 -0.11772 -0.092736 1.0000
# Se calculan los autovalores

? AVAXTXCN = eigengen(XTXCN)
Se ha generado la matriz AVAXTXCN

? AVAXTXCNo = dsort(AVAXTXCN)
Se ha generado la matriz AVAXTXCNo
? print AVAXTXCNo
AVAXTXCNo (4 x 1)
2.0348
1.2647
0.70036
0.00010790
Elanlisisdelosautovaloresenestecasopermiteconcluirqueexistemulticolinealidadensentido
estricto, ya que el autovalor mximo ( max 1 2.035 ) es muy grande en comparacin con el
autovalor mnimo ( min 4 0.000 ) y los autovalores toman valores diferentes a la unidad
( max 1 2.035 , 2 1.265 , 3 0.700 y min 4 0.000 ).
14
Estosautovaloresyautovectorescoincidenconlosdelasalidadelcomandopca.
MULTICOLINEALIDAD
13
COMANDOvif
Elcomandovif15debeirprecedidoporuncomandoolsenelquealmenosexistandosvariables
independientes:
olsYconstX1X2XK
vif
Cuandoelintersseaanalizarlamulticolinealidadensentidoestricto,quevaaserlohabitual,las
variablesdebenestarcentradas:
olsYCX1CX2CXKC
vif
Lasalidaestndardelcomandovifes:
X1 VIF(1)
X2 VIF(2)
... ...
XK VIF(K)
VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlacin mltiple entre la variable j y las
dems variables independientes
Lambda cond X1C X2C ... XKC
1 IC1 PDV11 PDV21 ... PDVK 1
2 IC2 PDV12 PDV22 ... PDVK 2
... ... ... ... ... ...
K ICK PDV1K PDV2 K ... PDVKK

Enlaprimerapartedeestasalida,GretlproporcionalosFactoresdeIncrementodelaVarianza
( FIV j ),elcriteriodeinterpretacinylaexpresindeclculo.Enlasegundaparte,pararealizarun
diagnsticodemulticolinealidadbasadoenBelsleyKuhWelsch,proporcionalosautovalores( i ),
elndicedeCondicin( IC i )ylasProporcionesdeDescomposicindelaVarianza( PDV ji ).
Enestecaso:
# Se definen el regresando y las variables explicativas centradas
? YC = Y-mean(Y)
Se ha generado la serie YC (ID 22)
? X1C = X1-mean(X1)
Se ha generado la serie X1C (ID 23)
? X2C = X2-mean(X2)
15
OtraformadeaccederaestainformacinseraseleccionarColinealidadenelmenAnlisisdelaVentanaModelo.
14
? X3C = X3-mean(X3)
? X4C = X4-mean(X4)
? ols YC X1C X2C X3C X4C --quiet

? vif

X1 4634.927
X2 1.111
X3 1.164
X4 4633.188

lambda cond X1C X2C X3C X4C
2.035 1.000 0.000 0.008 0.004 0.000
1.265 1.268 0.000 0.348 0.346 0.000
0.700 1.705 0.000 0.634 0.590 0.000
0.000 137.325 1.000 0.010 0.060 1.000
- DadoquehayFIVmayoresque10seconcluyequehaymulticolinealidadensentidoestrictoy
quelasvariablescausantesdeellasonX1yX4( FIV1 4634.927 y FIV4 4633.188 ).
- El anlisis de los autovalores en este caso permite concluir que existe multicolinealidad en
sentidoestricto,yaqueelautovalormximo( max 1 2.035 )esmuygrandeencomparacin
con el autovalor mnimo ( m in 4 0.000 ) y los autovalores toman valores diferentes a la
unidad( max 1 2.035 , 2 1.265 , 3 0.700 y min 4 0.000 ).
- ndicesdeCondicinsuperioresa30( IC4 137.325 )indicanunproblemademulticolinealidad
ensentidoestricto.
- ComounacomponentetieneunndicedeCondicinsuperiora30( IC4 137.325 )yenesafila
delamatrizdeProporcionesdeDescomposicindelaVarianzahaydosvaloressuperioresa
0.5,sepuedeconcluirqueexisteunproblemademulticolinealidadensentidoestrictoyque
lasvariablescausantessonX1yX4( PDV14 1.000 y PDV44 1.000 ).
COMANDOpca
Los autovalores (valores propios) y autovectores (vectores propios) tambin se pueden obtener
utilizandoelcomandopca.
pcaX1X2XK
Lasalidaestndardelcomandopcaproporcionalosautovaloresyautovectoresutilizandolamatriz
decorrelacindelasvariablesespecificadasenelcomando:
Anlisis de Componentes Principales
Anlisis de los valores propios de la matriz de correlacin

Componente Valor propio Proporcin Acumulacin
MULTICOLINEALIDAD
15
1 1 1 1
i i
2 2 2 1 2
i i
... ... ... ...
K K K 1 2 ... K
i i
Vectores propios (pesos de los componentes)

PC1 PC2 ... PCK
X1 v11 v21 ... vK 1
X2 v12 v22 ... vK 2
... ... ... ...
XK v1K v2 K ... vKK
Elanlisisdelosautovaloresenestecasohacesospecharmulticolinealidadensentidoestricto,ya
que el autovalor mximo ( max 1 2.0348 ) es muy grande en comparacin con el autovalor
mnimo( m in 4 0.0001 ):
? pca X1 X2 X3 X4
Anlisis de Componentes Principales

Anlisis de los valores propios de la matriz de correlacin
Componente Valor propio Proporcin Acumulacin
1 2.0348 0.5087 0.5087
2 1.2647 0.3162 0.8249
3 0.7004 0.1751 1.0000
4 0.0001 0.0000 1.0000
Vectores propios (pesos de los componentes)

PC1 PC2 PC3 PC4
X1 0.698 0.021 0.113 -0.707
X2 -0.133 0.699 0.702 0.001
X3 -0.094 -0.714 0.694 -0.003
X4 0.698 0.017 0.114 0.707
SOLUCIONESALAMULTICOLINEALIDAD
Dadoquelamulticolinealidadestmuyrelacionadacondeficienciasenlainformacinmuestral,
no se dispone de reglas generales para su correccin. No obstante, la propuesta de algunas
solucionesorecomendaciones,dependerdelaseveridadconquesepresenteelproblema.
Unaposiblesolucinesampliarlainformacinmuestral,porejemplo,incrementandoeltamao
delamuestra.Setratadeunamedidaquenosiempreproporcionaresultadossatisfactorios,dado
queloimportantenoeselnmerodeobservacionessinosucontenido.
Existenotrasposibilidadescomoeliminarregresores,suministrarinformacinadicionaloutilizar
mtodos de estimacin alternativos al de MCO como componentes principales, que mejora la
precisinyeficienciadelosestimadoresperotieneelinconvenientedeproporcionarestimadores
sesgados.
AUMENTARELTAMAOMUESTRAL
Si la multicolinealidad es muestral el problema se solucionar al aumentar el nmero de
observacionesdelamuestra:
16
# Se ampla el tamao muestral
? smpl 1 60
# Se definen el regresando y las variables explicativas centradas para el nuevo rango muestral
? YC = Y - mean(Y)
Se ha reemplazado la serie YC (ID 22)
? X1C = X1 - mean(X1)
Se ha reemplazado la serie X1C (ID 23)
? X2C = X2 - mean(X2)
? X3C = X3 - mean(X3)
? X4C = X4 - mean(X4)
? ols YC X1C X2C X3C X4C --simple

Variable dependiente: YC
-----------------------------------------------------------------
X1C 5.18666 0.275596 18.82 6.96e-026 ***
X2C 0.00798693 0.000360018 22.18 2.03e-029 ***
X3C 0.611371 0.424601 1.440 0.1555
X4C 1.40201 0.259515 5.402 1.39e-06 ***
SCR = 4.84881, R-cuadrado = 0.964603
? vif

X1C 3.847
X2C 1.099
X3C 1.253
X4C 3.679

lambda cond X1C X2C X3C X4C
1.862 1.000 0.069 0.013 0.001 0.070
1.246 1.222 0.003 0.327 0.345 0.000
0.753 1.573 0.000 0.630 0.448 0.020
0.139 3.664 0.929 0.030 0.206 0.910
# Se vuelve al tamao muestral original

? smpl 1 30
Seobservaquesehasolucionadoelproblemademulticolinealidadensentidoestricto.Adems,el
coeficiente de determinacin del modelo aumentando el tamao muestral se ha incrementado
ligeramenteyslounavariableresultanosignificativa(X3).
MULTICOLINEALIDAD
17
ELIMINARREGRESORES
Una de las soluciones ms simples a la multicolinealidad consiste en eliminar alguna/s de la/s
variable/s causante/s de la misma. Esta prctica debe ser utilizada con cautela ya que puede
generarimportantessesgosyerroresdeespecificacinenelmodelo.
Localizadas las variables causantes de multicolinealidad (en este caso X1 y X4), una solucin es
eliminaralguna/sdelmodelo,nosiendoconvenienteeliminarlastodas,puestoquelainformacin
queproporcionanpuedeserrelevanteparalaexplicacindelcomportamientodelregresando.
Seobservaquesehasolucionadoelproblemademulticolinealidadensentidoestricto.Adems,el
coeficiente de determinacin del modelo eliminando X1 apenas ha variado y slo una variable
resultanosignificativa(X3).
? ols YC X2C X3C X4C simple

-----------------------------------------------------------------
X2C 0.00827381 0.000498902 16.58 1.11e-015 ***
X3C 0.0319147 0.586540 0.05441 0.9570
X4C 3.64220 0.203674 17.88 1.70e-016 ***
SCR = 2.24264, R-cuadrado = 0.963215
? vif

X2C 1.100
X3C 1.094
X4C 1.031

lambda cond X2C X3C X4C
1.267 1.000 0.372 0.343 0.005
1.065 1.090 0.046 0.103 0.752
0.668 1.377 0.582 0.554 0.243
OcurrealgosimilareliminandoX4,sehasolucionadoelproblemademulticolinealidadensentido
estricto.Adems,elcoeficientededeterminacindelmodeloeliminandoX4apenashavariadoy
slounavariableresultanosignificativa(X3).
? ols YC X1C X2C X3C --simple

-----------------------------------------------------------------
X1C 3.62831 0.201053 18.05 1.36e-016 ***
X2C 0.00828630 0.000494606 16.75 8.61e-016 ***
X3C 0.0724400 0.581906 0.1245 0.9019
SCR = 2.20516, R-cuadrado = 0.963830
18
? vif

X1C 1.032
X2C 1.099
X3C 1.095

lambda cond X1C X2C X3C
1.266 1.000 0.002 0.370 0.348
1.067 1.089 0.752 0.053 0.094
0.667 1.378 0.246 0.577 0.558
La duda que se plantea en este caso es cul de las dos variables se elimina? o dicho de otra
forma,existealgnfundamentotericoparaeliminarunauotra?,siesasseestaraaadiendo
informacinadicionaloimponiendolarestriccindequeelverdaderovalordelcoeficientedela
variableeliminadaseanulo.
Eliminando X1 y X4 se solucionara el problema de multicolinealidad en sentido estricto, pero el

modelo perdera capacidad explicativa, ya que el coeficiente de determinacin pasa de ser
superiora0.9eliminandoX1oX4atomarunvalordeaproximadamente0.5eliminandoX1yX4.
Por ello, eliminar las variables causantes de multicolinealidad puede ser una alternativa para
solucionar el problema, pero se debe ser cauteloso puesto que su uso indiscriminado puede
ocasionarunaprdidadecapacidadexplicativa.
? ols YC X2C X3C --simple

----------------------------------------------------------------
X2C 0.00959638 0.00173636 5.527 6.59e-06 ***
X3C 1.32605 2.04681 0.6479 0.5224
SCR = 28.8042, R-cuadrado = 0.527543
? vif

X2C 1.076
X3C 1.076

lambda cond X2C X3C
1.265 1.000 0.367 0.367
0.735 1.312 0.633 0.633
MULTICOLINEALIDAD
19
SUMINISTRARINFORMACINADICIONAL
Unaalternativaparalacorreccindelamulticolinealidadpuedeserlautilizacindeinformacin
extramuestral, estableciendo restricciones sobre el comportamiento de los parmetros o
aprovechando informacin derivada de otros estudios empricos16. Con la incorporacin de
restricciones se reduce el nmero de parmetros a estimar en el modelo, lo que contribuye a
corregirdeficienciasenlainformacinmuestral.
Eliminarunavariableesequivalenteaimponerlarestriccindequesucoeficienteseanulo.
? restrict
? b[2] = 0
? end restrict
Restriccin:
b[X1] = 0
Estadstico de contraste: F(1, 25) = 0.919389, con valor p = 0.346818
Estimaciones restringidas:
--------------------------------------------------------------
const 9.88011 1.04789 9.429 7.11e-010 ***
X1 0.00000 0.00000 NA NA
X2 0.00827381 0.000508405 16.27 3.77e-015 ***
X3 -0.0319147 0.597713 -0.05339 0.9578
X4 -3.64220 0.207554 -17.55 6.22e-016 ***
Desviacin tpica de la regresin = 0.293692
16
Lasrestriccionesqueseconsiderendeberntenerunsignificadoeconmicoy/oempresarialclaro.
20
CLCULOS
COEFICIENTESDECORRELACINLINEAL
X
t 1
it X i X jt X j
rij = i 1,2,..., K j 1,2,..., K - 1 rij 1
X jt X j
T T
X
2 2
it Xi
t 1 t 1
# Se calculan los coeficientes de correlacin lineal
? r11 = (sum(((X1-mean(X1))*(X1-mean(X1))))/(sqrt((sum((X1-mean(X1))^2))*(sum((X1-mean(X1))^2)))))
Se ha generado el escalar r11 = 1
Se ha generado el escalar r12 = -0.115113
Se ha generado el escalar r14 = 0.999882
? r21 = r12
? r31 = r13
? r32 = r23
? r41 = r14
Se ha generado el escalar r41 = 0.999882
? r42 = r24
? r43 = r34
elmodelo,provocadoporlarelacinlinealentreambasvariables.
MULTICOLINEALIDAD
21
MATRIZDECORRELACIN
r 11 r 12 ... r 1K

r 21 r 22 ... r K2
RX = 0 | Rx | 1
... ... ... ...

... r KK KxK
r K1 r K2
# Se genera la matriz de correlacin de las variables explicativas
? RX = {r11,r12,r13,r14;r21,r22,r23,r24;r31,r32,r33,r34;r41,r42,r43,r44}
Se ha generado la matriz RX
? print RX
RX (4 x 4)
1.0000 -0.11511 -0.097013 0.99988
-0.11511 1.0000 -0.26526 -0.11772
-0.097013 -0.26526 1.0000 -0.092736
0.99988 -0.11772 -0.092736 1.0000
elmodelo,provocadoporlarelacinlinealentreambasvariables.
DETERMINANTEDELAMATRIZDECORRELACIN
# Se calcula el determinante de la matriz de correlacin

? RXD = det(RX)
Se ha generado el escalar RXD = 0.000194477
Enestecaso,comoelvalordeldeterminantedelamatrizdecorrelacindelasvariablesesmuy
pequeo ( | R x | 0.000194477 0 ), se puede concluir que existe un elevado grado de
R 2 AUXILIARES
Rj
X j / const , X 1 , X 2 , X j 1 , X j 1 .,..., X K j 1,2,..., K
2
# Se guardan los coeficientes de determinacin auxiliares
? ols X1 const X2 X3 X4 --quiet

? R2X1 = $rsq
Se ha generado el escalar R2X1 = 0.999784

? R2X2 = $rsq

? R2X3 = $rsq

? R2X4 = $rsq

? R2 = $rsq
Se ha generado el escalar R2 = 0.96452
22
Dado que hay coeficientes de determinacin auxiliares mayores que 0.9 se concluye que hay
multicolinealidad en el modelo y que las variables causantes de ella son X1 y X4 ( R12 0.999784 y
R42 0.999784 ).
FACTORESDEINCREMENTODELAVARIANZA
1
FIV j = j 1,2,..., K
1 - R 2j
# Se calculan los Factores de Incremento de la Varianza
? FIVX1 = 1/(1-R2X1)
Se ha generado el escalar FIVX1 = 4634.93
? FIVX2 = 1/(1-R2X2)
? FIVX3 = 1/(1-R2X3)
? FIVX4 = 1/(1-R2X4)
Dado que hay Factores de Incremento de la Varianza mayores que 10 se concluye que hay
multicolinealidad enelmodelo y que las variables causantes deella son X1 y X4 ( FIV1 4634.93 y
FIV4 4633.19 ).
TOLERANCIAS
1
Tj = 1 - R 2j j 1,2,..., K
FIV j
# Se calculan las Tolerancias
? T1 = 1-R2X1
Se ha generado el escalar T1 = 0.000215753
? T2 = 1-R2X2
? T3 = 1-R2X3
? T4 = 1-R2X4
# Tolerancias con FIV
? T1 = 1/FIVX1
Se ha reemplazado el escalar T1 = 0.000215753
? T2 = 1/FIVX2
? T3 = 1/FIVX3
? T4 = 1/FIVX4
DadoquehayToleranciasmenoresque0.1seconcluyequehaymulticolinealidadenelmodeloy
quelasvariablescausantesdeellasonX1yX4( T1 0.000215753 y T4 0.000215834 ).
MULTICOLINEALIDAD
23
AUTOVALORES
i i 1,2,..., K
# Se define la matriz de productos cruzados de las variables explicativas centradas normalizadas
? matrix XTXCN = XCN' * XCN
Se ha generado la matriz XTXCN
? print XTXCN
XTXCN (4 x 4)
1.0000 -0.11511 -0.097013 0.99988
-0.11511 1.0000 -0.26526 -0.11772
-0.097013 -0.26526 1.0000 -0.092736
0.99988 -0.11772 -0.092736 1.0000
# Se calculan los autovalores

? matrix AVAXTXCN = eigengen(XTXCN)

? matrix AVAXTXCNo = dsort(AVAXTXCN)
Se ha generado la matriz AVAXTXCNo
? print AVAXTXCNo
AVAXTXCNo (4 x 1)
2.0348
1.2647
0.70036
0.00010790
Dadoquehayautovaloresprximosacero( 4 0.00010790 )seconcluyequehaymulticolinealidad

enelmodelo.
NMEROSDECONDICIN
NC i
max i 1,2,..., K
i
# Se calculan los Nmeros de Condicin
? NC1 = AVAXTXCNo[1]/AVAXTXCNo[1]
Se ha generado el escalar NC1 = 1
Se ha generado el escalar NC2 = 1.60893
Dado que hay Nmeros de Condicin mayores que 900 ( NC4 15858.1 ) se concluye que hay
NDICESDECONDICIN
ICi NCi =
max i 1,2,..., K IC NC =
max
i min
# Se calculan los ndices de Condicin
? IC1 = sqrt(NC1)
Se ha generado el escalar IC1 = 1
24
? IC2 = sqrt(NC2)
Se ha generado el escalar IC2 = 1.26844
? IC3 = sqrt(NC3)
? IC4 = sqrt(NC4)
Dado que hay ndices de Condicin mayores que 30 ( IC4 137.325 ) se concluye que hay
PROPORCIONESDEDESCOMPOSICINDELAVARIANZA
v 2ji
i j 1,2,..., K i 1,2,..., K
PDV ji = N Variables
v 2ji
i=1 is
Eloperadoreigengendelcomandogenrmatrix permitecalcularlosautovalores(valorespropiosy
losautovectores(vectorespropios)17deunamatrizcuadrada.
# Se calculan el vector de autovalores (valores propios) y la matriz de autovectores (vectores propios)
de la matriz de variables explicativas centradas normalizadas
? AVEXTXCN = 0
Se ha generado la matriz AVEXTXCN = {0}
? AVAXTXCN = eigengen(XCN'XCN,&AVEXTXCN)
? print AVAXTXCN AVEXTXCN

AVAXTXCN (4 x 1)
2.0348
0.00010790
0.70036
1.2647
AVEXTXCN (4 x 4)
0.69770 -0.70717 -0.11273 0.020508

-0.13292 0.0010978 -0.70225 0.69941
-0.093859 -0.0027454 -0.69358 -0.71423
0.69767 0.70704 -0.11436 0.016652
# Se genera una matriz con los autovalores en diagonal principal y el resto de sus elementos nulos
? AVAXTXCND = {AVAXTXCN[1],0,0,0; 0,AVAXTXCN[2],0,0; 0,0,AVAXTXCN[3],0; 0,0,0,AVAXTXCN[4]}
Se ha generado la matriz AVAXTXCND
? print AVAXTXCND
AVAXTXCND (4 x 4)
2.0348 0.0000 0.0000 0.0000
0.0000 0.00010790 0.0000 0.0000
0.0000 0.0000 0.70036 0.0000
0.0000 0.0000 0.0000 1.2647
# Se concatena el vector de autovalores en tantas columnas como variables

? AVAXTXCNM = AVAXTXCN ~AVAXTXCN ~AVAXTXCN ~AVAXTXCN
17
Paraguardarlosautovectoresenunamatrizesnecesarioquedichamatrizestpredefinida.
MULTICOLINEALIDAD
25
Se ha generado la matriz AVAXTXCNM
? print AVAXTXCNM
AVAXTXCNM (4 x 4)
2.0348 2.0348 2.0348 2.0348
0.00010790 0.00010790 0.00010790 0.00010790
0.70036 0.70036 0.70036 0.70036
1.2647 1.2647 1.2647 1.2647
# Se multiplica elemento a elemento la matriz de autovectores por si misma

? AVEXTXCN2 = AVEXTXCN.*AVEXTXCN
Se ha generado la matriz AVEXTXCN2
? print AVEXTXCN2
AVEXTXCN2 (4 x 4)
0.48678 0.50009 0.012709 0.00042057
0.017667 1.2051e-006 0.49316 0.48918
0.0088094 7.5374e-006 0.48106 0.51013
0.48674 0.49990 0.013078 0.00027730
# Se traspone la matriz de autovectores multiplicada por si misma

? AVEXTXCN2T = AVEXTXCN2'
Se ha generado la matriz AVEXTXCN2T
? print AVEXTXCN2T
AVEXTXCN2T (4 x 4)
0.48678 0.017667 0.0088094 0.48674
0.50009 1.2051e-006 7.5374e-006 0.49990
0.012709 0.49316 0.48106 0.013078
0.00042057 0.48918 0.51013 0.00027730
# Se divide elemento a elemento la traspuesta de la matriz de autovectores multiplicada por si misma

entre el vector de autovalores
? NPDVXTXCN = AVEXTXCN2T./AVAXTXCN
Se ha generado la matriz NPDVXTXCN
? print NPDVXTXCN
NPDVXTXCN (4 x 4)
0.23923 0.0086821 0.0043293 0.23921
4634.7 0.011169 0.069854 4632.9
0.018146 0.70415 0.68687 0.018673
0.00033254 0.38679 0.40336 0.00021926
# La matriz obtenida se suma por columnas

? DPDVXTXCN = sumc(NPDVXTXCN)
Se ha generado la matriz DPDVXTXCN
? print DPDVXTXCN
DPDVXTXCN (1 x 4)
4634.9 1.1108 1.1644 4633.2
# Se traspone el vector obtenido

? DPDVXTXCNT = DPDVXTXCN'
Se ha generado la matriz DPDVXTXCNT
? print DPDVXTXCNT
DPDVXTXCNT (4 x 1)
4634.9
1.1108
1.1644
4633.2
# Se concatena por columnas dicho vector

? DPDVXTXCNM = DPDVXTXCNT~DPDVXTXCNT~DPDVXTXCNT~DPDVXTXCNT
Se ha generado la matriz DPDVXTXCNM
? print DPDVXTXCNM
DPDVXTXCNM (4 x 4)
4634.9 4634.9 4634.9 4634.9

1.1108 1.1108 1.1108 1.1108
1.1644 1.1644 1.1644 1.1644
4633.2 4633.2 4633.2 4633.2
26
# Se divide elemento a elemento la matriz de autovectores al cuadrado entre la traspuesta de la matriz

concatenada
? PDVXTXCN = NPDVXTXCN./DPDVXTXCNM'
Se ha generado la matriz PDVXTXCN
? print PDVXTXCN
PDVXTXCN (4 x 4)
5.1614e-005 0.0078162 0.0037181 5.1629e-005
0.99994 0.010055 0.059991 0.99994
3.9151e-006 0.63392 0.58989 4.0303e-006
7.1747e-008 0.34821 0.34640 4.7323e-008
ComounacomponentetieneunndicedeCondicinsuperiora30( IC4 137.325 )yenesafiladela

matriz de Proporciones de Descomposicin de la Varianza hay dos valores superiores a 0.5 se
puedeconcluirqueexisteunproblemademulticolinealidadyquelasvariablescausantesdeella
sonX1yX4( PDV12 0.99994 y PDV42 0.99994 ).
NDICEDEMULTICOLINEALIDAD
2
N Variables
min
imc = i=1

i
1 imc N Variables
? print AVAXTXCNo
AVAXTXCNo (4 x 1)
2.0348
1.2647
0.70036
0.00010790
# Se calcula el ndice de multicolinealidad

? imc = (AVAXTXCNo[4]/AVAXTXCNo[1])^2 + (AVAXTXCNo[4]/AVAXTXCNo[2])^2 +
(AVAXTXCNo[4]/AVAXTXCNo[3])^2 + (AVAXTXCNo[4]/AVAXTXNo[4])^2
Se ha calculado el escalar imc = 1
Como el ndice de multicolinealidad es 1 ( imc = 1 ) se concluye que existe un problema de

TESTDEFARRARYGLAUBER
H 0 : | R x |= 1 ortogonalidad

H 1 : | R x | < 1 multicolinealidad
1
G = - [T - 1 - (2K + 5)] ln | R x |
sd
2n
6
BajolahiptesisnulaelestadsticodeFarraryGlaubersedistribuyecomounachicuadradocon
1
n= K(K - 1) gradosdelibertad:
2
Si G 2n ( ) RegindeaceptacinNoserechaza H 0 : | R x |= 1 Ortogonalidad
Si G > 2n ( ) RegincrticaSerechaza H 0 : | R x |= 1 Multicolinealidad
# Se guardan las variables temporales tamao muestral y n de variables explicativas
? ols Y const X1 X2 X3 X4 quiet
? T = $T
Se ha generado el escalar T = 30
MULTICOLINEALIDAD
27
? K = $ncoeff-1
Se ha generado el escalar K = 4
# Se genera la matriz de variables explicativas

? Xraya = {X1, X2, X3, X4}
Se ha generado la matriz Xraya
# Se genera la matriz de correlacin de las variables explicativas

? RX = mcorr(Xraya)
Se ha reemplazado la matriz RX
# Se genera el determinante de la matriz de correlacin de las variables explicativas

? RXD = det(RX)
Se ha reemplazado la matriz RXD = {0.000194477}
# Se genera el estadstico de Farrar y Glauber

? G = -(T-1-(1/6)*(2*K+5))*log(RXD)
Se ha generado el escalar G = 229.296
# Se genera el valor crtico del estadstico de Farrar y Glauber

? vcchiG = critical(X,(1/2)*K*(K-1),0.05)
Se ha generado el escalar vcchiG = 12.5916
# Se genera el p-valor del estadstico de Farrar y Glauber

? pvchiG = pvalue(X,(1/2)*K*(K-1),G)
Se ha generado el escalar pvchiG = 1.08208e-046
? print T K RXD G vcchiG pvchiG

T = 30.000000
K = 4.0000000
RXD (1 x 1)
0.00019448
G = 229.29611
vcchiG = 12.591587
pvchiG = 1.0820845e-046
Observando el pvalor del estadstico de Farrar y Glauber ( pvchiG = 1.0820845 10-46 ) se rechaza la
hiptesis nula de ortogonalidad para cualquier nivel de significacin, es decir, se acepta la
hiptesisalternativademulticolinealidad.
CASOPARTICULAR:ORTOGONALIDAD
# Caso de ortogonalidad: RX=I --> RXD=1
# Se genera el determinante de la matriz de correlacin igual 1

? RXD = 1
Se ha reemplazado el escalar RXD = 1
# Se genera el estadstico de Farrar y Glauber

? G = -(T-1-(1/6)*(2*K+5))*log(RXD)
Se ha reemplazado el escalar G = -0
# Se genera el valor crtico del estadstico de Farrar y Glauber

? vcchiG = critical(X,(1/2)*K*(K-1),0.05)
Se ha reemplazado el escalar vcchiG = 12.5916
# Se genera el p-valor del estadstico de Farrar y Glauber

? pvchiG = pvalue(X,(1/2)*K*(K-1),G)
Se ha reemplazado el escalar pvchiG = 1
? print T K RXD G vcchiG pvchiG

T = 30.000000
K = 4.0000000
RXD (1 x 1)
1
G = -0
vcchiG = 12.591587
pvchiG = 1
28
ObservandoelpvalordelestadsticodeFarraryGlauber( pvchiG = 1 ),laprobabilidadderechazar

lahiptesisnuladeortogonalidadsiendociertaesuno,esdecir,seaceptalaortogonalidaddelos
regresoresparacualquierniveldesignificacin18.
18
EnunmodeloconortogonalidadeltestdeFarraryGlaubertomasuvalormnimo(0).
MULTICOLINEALIDAD
29
COMPROBACIONES
COEFICIENTESDECORRELACINLINEAL
Cuando en el comando corr intervienen dos variables se muestra el coeficiente de correlacin, el
valordelestadsticotquepermitecontrastarlahiptesisnuladeausenciadecorrelacinysupvalor:
corr Xi Xj
corr(X1, X2) = rij

Bajo la hiptesis nula de no correlacin:
t(T-2) = t j , con valor p a dos colas pvt j
Sepuedecomprobarquedichoestadsticot,secorrespondeconelquepermitecontrastarlanulidad
del parmetro que acompaa a una de las variables en un modelo formulado con ordenada en el
origenenelqueelregresandoeslaotravariable:
? ols Xi const Xj --simple
MCO, usando las observaciones 1-T

Variable dependiente: Xi
-----------------------------------------------------------------
const b0 Sb t0 pvt0
0
Xj b1 Sb1 tj pvt j
2
SCR = SCR , R-cuadrado = R
Por tanto, para un nivel de significacin fijado , se acepta que existe una correlacin importante
entreambasvariablesparacualquierniveldesignificacinmayorqueelpvaloryserechazaencaso
contrario.
? corr X1 X2
corr(X1, X2) = -0.11511290
t(28) = -0.613196, con valor p a dos colas 0.5447
? ols X1 const X2
Variable dependiente: X1
-----------------------------------------------------------------
const 2.75904 0.472878 5.835 2.86e-06 ***
X2 0.000274336 0.000447386 0.6132 0.5447
R-cuadrado 0.013251 R-cuadrado corregido -0.021990
F(1, 28) 0.376010 Valor p (de F) 0.544696
En este caso, dado el tamao muestral y para un nivel de significacin del 5%, slo resulta
significativalacorrelacinentreX1yX4( | r14 | 0.99988178 ).
? corr X1 X2
corr(X1, X2) = -0.11511290
? corr X1 X3
corr(X1, X3) = -0.09701251
30
? corr X1 X4
corr(X1, X4) = 0.99988178
t(28) = 344.089, con valor p a dos colas 0.0000
? corr X2 X3
corr(X2, X3) = -0.26526307
? corr X2 X4
corr(X2, X4) = -0.11771699
? corr X3 X4
corr(X3, X4) = -0.09273627
MATRIZDECORRELACIN
La matriz de correlacin de las variables explicativas coincide con la matriz de productos

cruzadosdevariablesexplicativascentradasnormalizadas:
R X XC N' XC N
? print RX XTXCN
RX (4 x 4)
1.0000 -0.11511 -0.097013 0.99988
-0.11511 1.0000 -0.26526 -0.11772
-0.097013 -0.26526 1.0000 -0.092736
0.99988 -0.11772 -0.092736 1.0000
XTXCN (4 x 4)
1.0000 -0.11511 -0.097013 0.99988
-0.11511 1.0000 -0.26526 -0.11772
-0.097013 -0.26526 1.0000 -0.092736
0.99988 -0.11772 -0.092736 1.0000
El determinante de la matriz de correlacin de las variables explicativas coincide con el

productodelosautovaloresdedichamatriz:
K
| R X | i
i 1
# Se generan los autovalores de la matriz de correlacin de las variables explicativas

? AVARX = eigengen(RX)
Se ha reemplazado la matriz AVARX
# Se genera el producto de los autovalores de la matriz de correlacin de las variables explicativas

? genr PAVARX = AVARX[1] * AVARX[2] * AVARX[3] * AVARX[4]
Se ha reemplazado el escalar PAVARX = 0.000194477
? print PAVARX RXD

PAVARX = 0.00019447699
RXD (1 x 1)
0.00019448
La traza de la matriz de correlacin de las variables explicativas coincide con la suma de sus
autovalores(queasuvezcoincideconelnmerodevariablesexplicativas):
MULTICOLINEALIDAD
31
K
tr ( R X )
i 1
i Ndevariablesexplicativas
# Se genera la traza de la matriz de correlacin de las variables explicativas

? TRX = tr(RX)
Se ha generado el escalar TRX = 4
# Se genera la suma de los autovalores de la matriz de correlacin de las variables explicativas

? SAVARX = AVARX[1] + AVARX[2] + AVARX[3] + AVARX[4]
Se ha generado el escalar SAVARX = 4
? print SAVARX TRX

SAVARX = 4.0000000
TRXD = 4.0000000
CASOPARTICULAR:ORTOGONALIDAD
? pca const X1 X2 X3 X4 --save-all --quiet

Generated principal component series
Cuando las variables explicativas son ortogonales, la matriz de correlacin coincide con una matriz
identidad:
? corr PC1 PC2 PC3 PC4
Coeficientes de correlacin, usando las observaciones 1 - 30
valor crtico al 5% (a dos colas) = 0.3610 para n = 30
PC1 PC2 PC3 PC4
1.0000 0.0000 0.0000 0.0000 PC1
1.0000 -0.0000 0.0000 PC2
1.0000 -0.0000 PC3
1.0000 PC4
Cuandolasvariablesexplicativassonortogonales,losautovaloresdelamatrizdeproductoscruzados
delasvariablesexplicativascentradastomantodossuvalormximo1:
? RPC = I(4)
Se ha generado la matriz RPC
? AVARPC = eigengen(RPC)
Se ha generado la matriz AVARPC
? print AVARPC
AVARPC (4 x 1)
1
1
1
1
Cuando las variables explicativas son ortogonales, el indice de multicolinealidad toma su valor
mximonmerodevariablesque,enestecaso,es4:
? genr imc = (AVARPC[4]/AVARPC[1])^2 + (AVARPC[4]/AVARPC[2])^2 + \
(AVARPC[4]/AVARPC[3])^2 + (AVARPC[4]/AVARPC[4])^2
Se ha reemplazado el escalar imc = 4
Cuando las variables explicativas son ortogonales, los Factores de Incremento de la Varianza son
todos iguales a la unidad y en cada fila de la matriz de Proporciones de Descomposicin de la
Varianzahayunnicoelementomayoroigualque0.5:
? ols YC PC1 PC2 PC3 PC4 --quiet
? vif

PC1 1.000
32
PC2 1.000
PC3 1.000
PC4 1.000

lambda cond PC1 PC2 PC3 PC4
1.000 1.000 0.160 0.058 0.282 0.500
1.000 1.000 0.000 0.839 0.161 0.000
1.000 1.000 0.677 0.052 0.271 0.000
1.000 1.000 0.163 0.051 0.286 0.500
NORMALIDAD
INTRODUCCIN
Si el modelo cumple todas las hiptesis de un MRLNC, los estimadores MCO no slo son
adecuados, sino incluso los mejores (ms eficientes) que podran llegar a obtenerse. En este
puntocabrapreguntarse,sirealmente,apriori,sepuedegarantizarunacorrectaespecificacin
del modelo, en el sentido de garantizar que se cumplan todas las hiptesis de partida. Resulta
evidente la no existencia de dichas garantas a priori, debe ser el proceso de elaboracin del
modelo el que permita establecer criterios para juzgar su mayor o menor idoneidad, e incluso
establezcaposiblesvasdeperfeccionamiento.
Elprocesodecontrasteyvalidacindelmodelopuedellevarseacabodediversasformas,siendo
una de ellas los contrastes de hiptesis bsicas (contrastes de diagnosis del modelo), con la
finalidad de evidenciar las distorsiones que puede provocar la equivocada admisin inicial de
hiptesis no acordes con la aplicacin realizada. En este captulo y en los siguientes se
contrastarnlashiptesisdecomportamientodelMRLNCyseobtendrnestimadoresalternativos
alosMCOencasodequeestosdejendeseradecuados.
Dado que la hiptesis de normalidad de las perturbaciones es necesaria para efectuar

estimacionesporintervaloy/ocontrastesdehiptesis,esimportanteverificarelcumplimientode
dicha hiptesis. Adems, algunas de las buenas propiedades de los estimadoresMCO dependen
de dicha hiptesis, as, si las perturbaciones se distribuyen normalmente, los estimadores MCO
coincidenconlosestimadoresdeMximaVerosimilitud(MV).
DETECCINDELANONORMALIDADDELASPERTURBACIONES
El primer paso para la deteccin de problemas de no normalidad de las perturbaciones es la
estimacindelmodeloporMCOylaobtencindelosresiduosoerroresdeestimacin19,eneste
casosehautilizadoelficherodatos2.gdt20:
# Se estima el modelo por MCO
? ols Y const X1 X2


-----------------------------------------------------------------
const 10.5084 0.918251 11.44 2.07e-09 ***
X1 3.63784 0.283009 12.85 3.49e-010 ***
X2 0.00863970 0.000548136 15.76 1.41e-011 ***
19
Larelacinqueexisteentreresiduoyperturbacinvienedadapor et X t' b t
20
mensualesmedioseneuros(X2).
34
F(2, 17) 211.9857 Valor p (de F) 9.58e-13
# Se guardan los residuos

? e = $uhat
Se ha generado la serie e (ID 1)
GRFICOSDELOSRESIDUOS
Las representaciones grficas de los residuos pueden ayudar a vislumbrar problemas de no
normalidad.Paraello,losresiduossepuedenrepresentarrespectoalordendelasobservaciones,
respectoalavariableexplicadayrespectoacadaunadelasvariablesexplicativasqueintervienen
enelmodelo.
Parafacilitarelanlisisdeestosgrficos,ademsdelalneaquepasaporelcero(querepresenta
la media de los residuos), resulta conveniente trazar dos lneas paralelas al eje horizontal para
definir una banda de variacin que represente msmenos dos veces la desviacin tpica de los
residuos,loquepermitiranalizardeformasencillasidichosresiduossedistribuyendeacuerdo
conunanormal,encuyocasosusvaloresestarancomprendidosdentrodeesabandaconun95%
deprobabilidad.
Tambin resulta de inters el grfico en el que se representan los cuantiles observados de los
residuosrespectoaloscuantilesesperadossidichosresiduossiguieranunaleynormal.
Observacin: no se debe olvidar que la representacin grfica es una herramienta meramente

orientativaquedeningnmododebesustituiralcontrastedehiptesis.
ESTADSTICOSDESCRIPTIVOS
Las medidas de forma comparan la forma que tiene la representacin grfica, bien sea el
histogramaoeldiagramadebarrasdeladistribucinobservada,conladistribucinnormal:
CoeficientedeAsimetradePearson21:midelacantidaddedatosqueseagrupanentornoala
media.
3
T
et e

1
1 S
T t 1 e
m3
21
Otraformadecalcularelcoeficientedeasimetra: 1
m23 / 2
donde m2 S 2 S12 y m3 S 3 3S1S 2 2S13 son los momentos centrados de segundo y tercer orden y
T
e
1
SK K
t K 1,2,3 sonlosmomentosnocentradosdeordenK.
T t 1
NORMALIDAD
35
e
T

T
1 1 2
donde e et eslamediay S e t e ladesviacintpicadelosresiduos.
T t 1
T t 1
Sedefinen3tiposdedistribucionessegnsugradodeasimetra:
1 0 distribucin simtrica: existe la misma concentracin de valores a la

derechayalaizquierdadelamedia(sumediana,sumodaysumediaaritmtica
coinciden).
1 0 distribucin asimtrica positiva o distribucin asimtrica hacia la

izquierda:existemayorconcentracindevaloresaladerechadelamediaqueasu
izquierda.
1 0 distribucin asimtrica negativa o distribucin asimtrica hacia la

derecha:existemayorconcentracindevaloresalaizquierdadelamediaqueasu
derecha.
CoeficientedeexcesodeCurtosis22:midelamayoromenorcantidaddedatosqueseagrupan
entornoalosvalorescentrales.
4
T
et e

1 3
2 S
T t 1 e
e
T

T
1 1 2
T t 1
T t 1
Sedefinen3tiposdedistribucionessegnsugradodecurtosis:
2 0 distribucin mesocrtica: presenta un grado de concentracin medio

alrededordelosvalorescentralesdelavariable(igualdeapuntadaquelanormal).
2 0 distribucin leptocrtica: presenta un elevado grado de concentracin

alrededordelosvalorescentralesdelavariable(msapuntadaquelanormal).
2 0 distribucin platicrtica: presenta un reducido grado de concentracin
m4
22
Otraformadecalcularelcoeficientedeexcesodecurtosis: 2 3
m22
donde m 2 S 2 S12 y m4 S 4 4 S1 S 3 6 S12 S 2 3S14 son los momentos centrados de segundo y cuarto orden y
T
e
1
SK t
K
K 1,2,3,4 sonlosmomentosnocentradosdeordenK.
T t 1
36
alrededordelosvalorescentralesdelavariable(menosapuntadaquelanormal).
TESTDEJARQUEBERA
El test de JarqueBera23 es una prueba asinttica basada en los residuos MCO. Analiza los
coeficientesdeasimetrayexcesodecurtosisyloscomparaconlosdeunadistribucinnormal.
H 0 : Normalidad

H1 : No normalidad
2 2 sd
JB t12 t22 T 1 2 22
6 24
Si JB 22 ( ) alniveldesignificacin serechazalahiptesisnuladenormalidad,puesfallaal
menosunadelascaractersticasdeforma.
TESTDEASIMETRA
Unaprimerapruebaparalanormalidadconsistirencontrastarlahiptesisdequeladistribucin
delaqueprovienenlosresiduostieneunasimetranormal24:
H 0 : No hay asimetra : 1 = 0

H1 : Existe asimetra (positiva o negativa) : 1 0
1 1
Paracontrastarestahiptesisseutilizaelestadstico t1 = ,quebajolahiptesisnulase
S1 6/T
distribuirasintticamentecomounaN(0,1).
Por tanto, si | t 1 | > N / 2 al nivel de significacin se rechaza el comportamiento normal de la

distribucin(seaceptaasimetra).
TESTDEEXCESODECURTOSIS
Unasegundapruebaparalanormalidadconsistirencontrastarlahiptesisdequeladistribucin
delaqueprovienenlosresiduostieneunacurtosisoapuntamientonormal25:
23
Bajolahiptesisdenormalidaddelasperturbacionesycuandolamuestraseasuficientementegrande,eltestde
JarqueBera se distribuye como una chi cuadrado con dos grados de libertad, ya que es la suma de dos variables
AN(0,1)alcuadrado.
24
Bajonormalidadelcoeficientedeasimetraesnuloysedistribuyeasintticamentenormal 1
sd

AN 0, 6 / T .
25
Bajo normalidad el coeficiente de exceso de curtosis es nulo y se distribuye asintticamente normal

2 AN 0, 24 / T .
sd

NORMALIDAD
37
H 0 : No hay exceso de curtosis : 2 = 0

H1 : Existe exceso de curtosis : 2 0
2 2
Paracontrastarestahiptesisseutilizaelestadstico t 2 = ,quebajolahiptesisnulase
S2 24 / T
distribuirasintticamentecomounaN(0,1).
Por tanto, si | t 2 | > N / 2 al nivel de significacin se rechaza el comportamiento normal de la

distribucin(seaceptaexcesodecurtosis).
COMANDOS PARA EL ANLISIS DE LA NORMALIDAD DE LAS

PERTURBACIONES
COMANDOsummary:ESTADSTICOSDESCRIPTIVOS
Paraelanlisisdelanormalidadconelcomandosummary26sernecesarioestimarelmodelopor
MCOyguardarlosresiduos.
summaryresiduos
Lasalidaestndardelcomandosummaryes:
? summary residuos
Estadsticos principales, usando las observaciones 1 - T
para la variable 'residuos' ( N observaciones vlidas)
Media e
Mediana mediana e
Mnimo min e
Mximo max e
Desviacin tpica Se
C.V. CVe
Asimetra 1
Exc. de curtosis 2
Percentil del 5% P5
Percentil del 95% P95
Rango intercuartlico RIQe
Observaciones ausentes N
En la tabla de estadsticos principales, Gretl proporciona el coeficiente de asimetra ( 1 ) y el

coeficientedeexcesodecurtosis( 2 ),quepuedendarunaideadesiladistribucinseacercao
noaunanormal(paraunadistribucinnormalestoscoeficientessonnulos).
26
OtraformadeaccederaestainformacinseraenlaVentanaPrincipaldeGretl,seleccionarla/svariable/syenel
menqueseabrealhacerclicconelbotnderechodelratn,elegirEstadsticosprincipales.ObienenlaVentana
PrincipaldeGretl,seleccionarla/svariable/syenelmenVerseleccionarEstadsticosprincipales.
38
Enestecaso,comoelcoeficientedeasimetra( 1 -0.61677 )yelcoeficientedeexcesodecurtosis

( 2 -0.096815 )estncercanosacero,sepodraaceptarlanormalidaddelosresiduos.
? ols Y const X1 X2 --quiet

? e = $uhat
# Se calculan los estadsticos descriptivos

? summary e
Estadsticos principales, usando las observaciones 1 - 20

para la variable 'e' (20 observaciones vlidas)
Media 2.9310e-015
Mediana 0.056038
Mnimo -0.64192
Mximo 0.36023
Desviacin tpica 0.26477
C.V. 9.0334e+013
Asimetra -0.61677
Exc. de curtosis -0.096815
Percentil del 5% -0.62765
Percentil del 95% 0.35942
Rango intercuartlico 0.43016
Observaciones ausentes 0
COMANDOmodtest : TESTDENORMALIDADDEDOORNIKHANSEN
Elcomandomodtestdebeirprecedidoporuncomandools(paracalculareltestdenormalidad,
GretlutilizalosresiduosdelaltimaestimacinMCOrealizada).
Elformatodelcomandomodtest27paraladeteccindenonormalidades28:
modtestnormality
Lasalidaestndardelcomandomodtestes:
? modtest --normality
Distribucin de frecuencias para uhatn , observaciones 1 - T
27
OtraformadeaccederaestainformacinseraseleccionarNormalidaddelosresiduosenelmenContrastesdela
VentanaModelo.Deestaforma,GretlproporcionaademsdeltestdeDoornikHansenydelatabladedistribucinde
frecuencias,unhistogramaenelqueserepresentaelcomportamientodelafuncindedensidadobservadayenelque
para facilitar su interpretacin, se superpone una curva de la distribucin normal. Gretl por defecto para la
construccindeestegrficoutiliza7intervalos.
SiseaccedealaconstruccindedichogrficoseleccionandoenlaVentanaPrincipaldeGretllavariablequecontiene
lasobservacionesdelosresiduosyenelmenVariableseseleccionaDistribucindefrecuenciassepuedecambiar
elnmerodeintervalos,definirelvalormnimo(intervaloizquierdo),definirlaamplituddelosintervalos,mostrarla
tabladefrecuencias,mostrarelcontrastedenormalidadymostrarelgrfico.
28
Observacin: de los comandos de los que dispone Gretl para la deteccin de normalidad, el nico que contrasta
verdaderamentelanormalidaddelosresiduosdelmodeloeselcomandomodtestconlaopcinnormality,yaque
vinculadichosresiduosalmodelo,mientrasqueelrestodecomandostratanlosresiduoscomounavariableaislada.
NORMALIDAD
39
nmero de cajas = n , media = uhatn , desv.tp.= s uhatn

intervalo punto medio frecuencia rel acum.
< lsI1 pmI1 fab1 fre1 fac1
liI 2 - lsI 2 pmI 2 fab 2 fre 2 fac 2
liI3 - lsI3 pmI3 fab3 fre3 fac3

lsI n pmI n fab n fre n fac n
Contraste de la hiptesis nula de distribucin normal:

Chi-cuadrado(2) = DH con valor p pvDH
Este comando en la segunda parte de su salida proporciona el test de normalidad de las

perturbacionesdeDoornikHansenysupvalor.
Enestecaso,conelcontrastedeDoornikHansenseaceptaralahiptesisnuladenormalidadde
lasperturbacionesparacualquierniveldesignificacinmenoroigual al40.83%yserechazara
paranivelesdesignificacinsuperiores( p valor 0.40827 ).
# Se analiza la normalidad con el estadstico de Doornik-Hansen

? modtest --normality
Distribucin de frecuencias para uhat2, observaciones 1-20

nmero de cajas = 7, media = 2.93099e-015, desv.tp.=0.27991

< -0.55841 -0.64192 1 5.00% 5.00% *
-0.55841 - -0.39138 -0.47489 0 0.00% 5.00%
-0.39138 - -0.22436 -0.30787 4 20.00% 25.00% *******
-0.22436 - -0.057330 -0.14084 2 10.00% 35.00% ***
-0.057330 - 0.10969 0.026182 7 35.00% 70.00% ************
0.10969 - 0.27672 0.19321 2 10.00% 80.00% ***
>= 0.27672 0.36023 4 20.00% 100.00% *******

Chi-cuadrado(2) = 1.792 con valor p 0.40827
2.5
Estadstico para el contraste de normalidad: e
N(2.931e-015,0.26477)
Chi-cuadrado(2) = 1.792 [0.4083]
1.5
Densidad
0.5
0
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
e

Ilustracin1.Ejemplogrficodedistribucindefrecuenciasrespectoaunadistribucinnormal.

40
COMANDOnormtest
Elformatodelcomandonormtest29es:
normtestresiduosopciones
Paraanalizarlanormalidaddelosresiduos,antesdeejecutarelcomandonormtestsernecesario
guardardichosresiduos,yaqueestecomandopodrautilizarseparacontrastarlanormalidadde
cualquiervariable.
Algunasdelasopcionesdisponiblesdelcomandonormtestson:
dhansen proporciona el test de DoornikHansen (aparece tambin cuando no se especifica
ningunaopcin)
swilkproporcionaeltestWdeShapiroWilk
lillieproporcionaeltestdeLilliefors
jberaproporcionaeltestdeJarqueBera
all proporcionatodoslostestdenormalidaddisponiblesenGretl(loscitadosanteriormente)
DeloscuatrotestsdenormalidadproporcionadosporGretl,serecomiendautilizarlaspruebasde
DoornikHansenyWdeShapiroWilkenmuestraspequeasylaspruebasdeLillieforsyJarque
Beraenmuestrasgrandes.
Cuando se ejecuta el comando normtest sin opciones, la salida slo muestra el test de Doornik
Hansenysupvalor.
ParaaccederalabateracompletadetestqueGretlproporcionaparaanalizarlanormalidadde
lasperturbaciones,elcomandonormtestsedebeejecutarconlaopcinall.
ols Y const X1 X2 XK --quiet
e = $uhat
? normtest e --all
Contraste de normalidad de uhat1:
Contraste de Doornik-Hansen = DH , con valor p pvDH
W de Shapiro-Wilk = WSW , con valor p pvWSW
Contraste de Lilliefors = L , con valor p pvL
Contraste de Jarque-Bera = JB , con valor p pvJB
En este caso, con la batera de contrastes se aceptara la hiptesis nula de normalidad de las
perturbaciones para cualquier nivel de significacin menor o igual al 40.83% con el test de
DoornikHansen( p valor 0.40827 ),al31.39%coneltestWdeShapiroWilk( p valor 0.313921 ),
29
OtraformadeaccederaestainformacinseraenlaVentanaPrincipaldeGretl,enelmenVariableseleccionar
ContrastedeNormalidad.
NORMALIDAD
41
al 43% con el test de Lilliefors ( p valor 0.43 ) y al 52.84% con el test de JarqueBera
( p valor 0.528398 ). En este caso, dado que el tamao muestral es pequeo, los test ms
adecuadosparacontrastarlanormalidadsonelDoornikHansenyelWdeShapiroWilk.

? e = $uhat
Se ha reemplazado la serie e (ID 7)
# Se analiza la normalidad con la batera de estadsticos

? normtest e --all
Contraste de normalidad de e:
Contraste de Doornik-Hansen = 1.79165, con valor p 0.408271
W de Shapiro-Wilk = 0.946265, con valor p 0.313921
Contraste de Lilliefors = 0.135208, con valor p ~= 0.43
Contraste de Jarque-Bera = 1.27581, con valor p 0.528398
COMANDOfreq
Elformatodelcomandofreq30es:
freqresiduosnormal
Para analizar la normalidad de los residuos, antes de ejecutar el comando freq ser necesario
cualquiervariable.
Cuandoseejecutaelcomandofreqsinopciones,lasalidaslomuestralatabladedistribucinde
frecuencias.
Cuando se ejecuta el comando freq con la opcin normal, la salida muestra la tabla de
frecuenciasconelestadsticodeDoornikHansenysupvalor31.
ols Y const X1 X2 XK --quiet
e = $uhat
? freq e --normal
Distribucin de frecuencias para e , observaciones 1 - T
nmero de cajas = n , media = e , desv.tp.= se

< lsI1 pmI1 fab1 fre1 fac1
30
OtraformadeaccederaestainformacinseraenlaVentanaPrincipaldeGretl,enelmenVariableseleccionar
Distribucindefrecuencias.
31
Lasalidaestndardelcomandofreqconlaopcinnormalessimilaralaobtenidaconelcomandomodtestconla
opcinnormality.
42
liI 2 - lsI 2 pmI 2 fab 2 fre 2 fac 2
liI3 - lsI3 pmI3 fab3 fre3 fac3

lsI n pmI n fab n fre n facn

Chi-cuadrado(2) = DH con valor p pvDH
Enestecaso,conelcontrastedeDoornikHansenseaceptaralahiptesisnuladenormalidadde
lasperturbacionesparacualquierniveldesignificacinmenoroigual al40.83%yserechazara
paranivelesdesignificacinsuperiores( p valor 0.40827 ).

? e = $uhat
# Se analiza la normalidad con el estadstico de Doornik-Hansen

? freq e --normal
Distribucin de frecuencias para uhat2, observaciones 1-20

nmero de cajas = 7, media = 2.93099e-015, desv.tp.= 0.264769

< -0.55841 -0.64192 1 5.00% 5.00% *
-0.55841 - -0.39138 -0.47489 0 0.00% 5.00%
-0.39138 - -0.22436 -0.30787 4 20.00% 25.00% *******
-0.22436 - -0.057330 -0.14084 2 10.00% 35.00% ***
-0.057330 - 0.10969 0.026182 7 35.00% 70.00% ************
0.10969 - 0.27672 0.19321 2 10.00% 80.00% ***
>= 0.27672 0.36023 4 20.00% 100.00% *******

Chi-cuadrado(2) = 1.792 con valor p 0.40827
COMANDOqqplot
Elformatodelcomandoqqplot32es:
qqplotresiduosopciones
Paraanalizarlanormalidaddelosresiduos,antesdeejecutarelcomandoqqplotsernecesario
cualquiervariable.
32
OtraformadeaccederaestainformacinseraenlaVentanaModeloyenelmenGrficos,seleccionarGrficoQ
Qdelosresiduos.Deestaforma,Gretlproporcionaloscuantilesobservadosdelaserieseleccionadarespectoalos
cuantilesdeladistribucinnormal.
SiseaccedealaconstruccindedichogrficoseleccionandoenlaVentanaPrincipaldeGretllavariablequecontiene
las observaciones de los residuos y en el men Variable se selecciona Grfico QQ normal se puede optar por el
grficoanterior(equivalenteautilizarelcomandonormtestsinopciones),porestandarizarlosdatos(equivalentea
utilizarelcomandonormtestconlaopcinzscores)oporrepresentarloscuantilesbrutosrespectoaunanormal
reducida(equivalenteautilizarelcomandonormtestconlaopcinraw).
NORMALIDAD
43
Cuando se ejecuta el comando qqplot sin opciones, Gretl proporciona un grfico donde se
representan los cuantiles observados de la serie seleccionada respecto a los cuantiles de la
distribucin normal. Para que Gretl proporcione dicho grfico es necesario que en el rango
muestral corriente exista un mnimo de veinte observaciones vlidas. Por defecto los cuantiles
observados se representan respecto de los cuantiles de una distribucin normal cuya media y
varianzacoincidenconladelosdatosdelamuestra.
Algunasdelasopcionesdisponiblesdelcomandoqqplotson:
zscoresloscuantilessecalculancondatosestandarizados
rawserepresentanloscuantilesbrutosrespectoaunaN(0,1)
Enestecaso,losgrficosQQobtenidosvislumbranlaexistenciadenormalidad,yaquelanubede
puntosseencuentraentornoalabisectriz.

? e = $uhat
# Se analiza la normalidad con el comando qqplot sin opciones

? qqplot e
Grfico Q-Q de e
2
y=x
1.5
0.5
-0.5
-1
-1.5
-2
-2.5
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Cuantiles de la Normal
44
# Se analiza la normalidad con el comando qqplot con la opcin z-scores

? qqplot e --z-scores
Grfico Q-Q de e
0.6
y=x
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-0.6 -0.4 -0.2 0 0.2 0.4 0.6
# Se analiza la normalidad con el comando qqplot con la opcin raw

? qqplot e --raw
Grfico Q-Q de e
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
NORMALIDAD
45
COMANDOgnuplot
Elformatodelcomandognuplot33es:
gnuplotvariablesejeverticalvariableejehorizontalopciones
Cuandoseejecutaelcomandognuplot,Gretlproporcionaungrficodondeserepresentanenel
eje vertical las variables proporcionadas en primer lugar y en el eje horizontal la ltima de las
variablesproporcionada.
En este caso, se representan los residuos frente al n de observacin, los residuos frente a la
variableaexplicarylosresiduosfrenteacadaunadelasvariablesexplicativas.Comopuedeverse
enla
Ilustracin2,Ilustracin3,Ilustracin4eIlustracin5,elanlisisdelanormalidaddelosresiduos
resultamsfcilenlosgrficosdeladerechaqueenlosdelaizquierdaportenerestosltimosla
bandadevariacin.

? e = $uhat
De acuerdo con estos grficos, para un nivel de significacin del 5% se puede aceptar la
normalidaddelosresiduospordistribuirsedeformasimtricaysituarsetodosmenosunodentro
delabandadeconfianzadel95%34.
33
OtraformadeaccederaestosgrficosseraenlaVentanaModeloyenelmenGrficos,seleccionarGrficode
residuos y elegir la opcin deseada (residuos frente al n de observacin, residuos frente a la variable a explicar y
residuosfrenteacadaunadelasvariablesexplicativas).
34
Adems,enestosgrficossedetectaunvaloratpicouobservacinanmala(observacinquesesitafueradela
bandadeconfianza)ysernecesariodarleuntratamientodiferenciadoalrestodelasobservaciones(temaqueno
sertratadoenestecaptuloporestarfueradesusobjetivos).
46
# Se representan los residuos frente al n de observacin
? gnuplot e --time-series
escribi C:\gpttmp01.plt
Residuos de la regresin (= y observada - estimada) Residuos de la regresin (= y observada - estimada)

0.4 0.6
0.4
0.2
0.2
0
0
residuo
residuo
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8 -0.8
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Ilustracin2.Grficodelosresiduosrespectoalordendelasobservaciones
# Se representan los residuos frente a la variable a explicar

? gnuplot e Y
0.4 0.6
0.4
0.2
0.2
0
0
residuo
residuo
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8 -0.8
8 9 10 11 12 13 8 9 10 11 12 13
y y

Ilustracin3.Grficodelosresiduosrespectoalavariableexplicada
NORMALIDAD
47
# Se representan los residuos frente a la primera variable explicativa
? gnuplot e X1

0.4 0.6
0.4
0.2
0.2
0
0
residuo
residuo
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8 -0.8
2 2.2 2.4 2.6 2.8 3 2 2.2 2.4 2.6 2.8 3
x1 x1

Ilustracin4.GrficodelosresiduosrespectoaX1
# Se representan los residuos frente a la segunda variable explicativa

? gnuplot e X2
Residuos de la regresin (= y observada - estimada)

Residuos de la regresin (= y observada - estimada)
0.4
0.6
0.2 0.4
0.2
0
0
residuo
residuo
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8 -0.8
800 900 1000 1100 1200 1300 800 900 1000 1100 1200 1300
x2 x2

Ilustracin5.GrficodelosresiduosrespectoaX2
SOLUCIONESALANONORMALIDADDELASPERTURBACIONES
La no normalidad de los residuos puede estar provocada por mltiples motivos, siendo los ms
habituales, la existencia de observaciones anmalas o datos atpicos (outliers), que los datos
48
procedandemsdeunapoblacinolaespecificacinincorrectadelmodelo(omisindevariables
relevantes,faltadelinealidad,).
Parasolucionaresteproblemasesuelerecurriralaintroduccindevariablesficticiasparatratar
de forma diferenciada los datos atpicos o los datos procedentes de distintas poblaciones o a la
reformulacin del modelo o a la transformacin de las variables (transformacin tipo BoxCox)
cuandoexistaunproblemadeespecificacin.
NORMALIDAD
49
CLCULOS
# Se estima el modelo
? ols Y const X1 X2 quiet
# Se guardan los residuos y el tamao muestral

? e = $uhat
? T = $nobs
# Se calcula la media de los residuos

? me = sum(e)/T
Se ha generado el escalar mec = 2.93099e-015
# Se calcula la desviacin tpica de los residuos

? Se = sqrt((sum((e-mean(e))^2))/T)
Se ha generado el escalar Se = 0.258065
# Se calculan los momentos no centrados de orden primero (S1), segundo (S2), tercero (S3) y cuarto
(S4)
? S1e = (1/T)*sum(e)
Se ha generado el escalar S1e = 2.93099e-015
? S2e = (1/T)*sum(e^2)
Se ha generado el escalar S2e = 0.0665973
? S3e = (1/T)*sum(e^3)
Se ha generado el escalar S3e = -0.0106
? S4e = (1/T)*sum(e^4)
Se ha generado el escalar S4e = 0.0128762
# Se calculan los momentos centrados de orden segundo (m2), tercero (m3) y cuarto (m4)
? m2e = S2e-(S1e^2)
Se ha generado el escalar M2e = 0.0665973
? m3e = S3e-(3*S1e*S2e)+(2*(S1e^3))
Se ha generado el escalar M3e = -0.0106
? m4e = S4e-(4*S1e*S3e)+(6*(S1e^2)*S2e)-(3*(S1e^4))
Se ha generado el escalar M4e = 0.0128762
COEFICIENTEDEASIMETRADEPEARSON
3
T et e

1
1
T S
t 1 e
e
T

T
1 1 2
T t 1
T t 1
# Se calcula el coeficiente de asimetra con la media y la desviacin tpica de los residuos

? cae = (1/T)*(sum(((e-me)^3))/Se^3)
Se ha generado el escalar cae = -0.616766
En este caso, como el coeficiente de asimetra ( 1 -0.61677 ) est cercano a cero, se podra
aceptar la hiptesis de que la distribucin de la que provienen los residuos tiene una simetra
normal.
50
m3
1
m23 / 2
donde m2 S 2 S12 y m3 S3 3S1S 2 2S13 son los momentos centrados de segundo y tercer
T
e
1
ordeny S K K
t con K 1,2,3 sonlosmomentosnocentradosdeordenK.
T t 1
# Se calcula el coeficiente de asimetra con los momentos centrados de los residuos

? cae = m3e/(m2e^(3/2))
Se ha generado el escalar cae = -0.616766
COEFICIENTEDEEXCESODECURTOSIS
4
T
et e

1 3
2 S
T t 1 e
e
T
e eslamediay S
T
1 1 2
donde e t e t e ladesviacintpicadelosresiduos
T t 1
T t 1
# Se calcula el coeficiente de exceso de curtosis con la media y la desviacin tpica de los

residuos
? cecec = (1/T)*(sum(((e-me)^4))/Se^4)-3
Se ha generado el escalar cece = -0.0968151
En este caso, como el coeficiente de exceso de curtosis ( 2 -0.096815 ) est cercano a cero, se
podra aceptar la hiptesis de que la distribucin de la que provienen los residuos tiene una
curtosisoapuntamientonormal.
m4
2 3
m22
donde m2 S 2 S12 y m4 S 4 4 S1 S 3 6 S12 S 2 3S14 son los momentos centrados de segundo y

T
e
1
cuartoordeny S K K
t con K 1,2,3,4 sonlosmomentosnocentradosdeordenK.
T t 1
# Se calcula el coeficiente de exceso de curtosis con los momentos centrados de los residuos
? cece = (m4e/(m2e^2))-3
Se ha generado el escalar cece = -0.0968151
TESTDEASIMETRA
H 0 : No hay asimetra : 1 = 0

H1 : Existe asimetra (positiva o negativa) : 1 0
1
t1
sd
N (0,1)
S1
NORMALIDAD
51
3
T
et e

1 6
donde 1 S eselcoeficientedeasimetray S1 T esladesviacinestndardel
T t 1 e
coeficientedeasimetra.
Regladedecisin:si | t 1 | > N / 2 alniveldesignificacin ,serechazaelcomportamientonormal

deladistribucin(seaceptaasimetra).
# Se calcula el coeficiente de asimetra
? cae = m3e/(m2e^(3/2))
Se ha reemplazado el escalar cae = -0.616766
# Se calcula la desviacin estndar del coeficiente de asimetra

? Scae = sqrt(6/T)
Se ha generado el escalar Scae = 0.547723
# Se calcula el test de asimetra

? t1 = cae/Scae
Se ha generado el escalar t1 = -1.12605
# Se calcula el valor crtico del test de asimetra

? vcNt1 = critical(z,0.05)
Se ha generado el escalar vcNt1 = 1.64485
Enestecaso,comoeltestdeasimetraenvalorabsoluto( | t1 | = | -1.12605| 1.12605 )esinferioralvalor

critico de la distribucin normal reducida ( vcNt1= 1.64485 ), al 5% se acepta la hiptesis de que la
distribucindelaqueprovienenlosresiduostieneunasimetranormal.
TESTDEEXCESODECURTOSIS
H 0 : No hay exceso de curtosis : 2 = 0

H1 : Existe exceso de curtosis : 2 0
2
t2
sd
N (0,1)
S2
4
T
et e 24
donde 2 1
T
t 1

S
e
3 eselcoeficientedeexcesodecurtosisy S

2
T
esladesviacin
estndardelcoeficientedeexcesodecurtosis.
Regladedecisin:si | t 2 | > N / 2 alniveldesignificacin ,serechazaelcomportamientonormal

deladistribucin(seaceptaexcesodecurtosis).
# Se calcula el coeficiente de exceso de curtosis
? cece = (m4e/(m2e^2))-3
Se ha reemplazado el escalar cece = -0.0968151
# Se calcula la desviacin estndar del coeficiente de exceso de curtosis

? Scece = sqrt(24/T)
Se ha generado el escalar Scece = 1.09545
# Se calcula el test de exceso de curtosis

? t2 = cece/Scece
Se ha generado el escalar t2 = -0.0883797
# Se calcula el valor crtico del test de exceso de curtosis

? vcNt2 = critical(z,0.05)
Se ha generado el escalar vcNt2 = 1.64485
52
Enestecaso,comoeltestdeexcesodecurtosisenvalorabsoluto( | t 2 | = | -0.0883797| 0.0883797 )es

inferior al valor crtico de la distribucin normal reducida ( vcNt2 = 1.64485 ), al 5%, se acepta la
hiptesis de que la distribucin de la que provienen los residuos tiene una curtosis o
apuntamientonormal.
TESTDEJARQUEBERA
H 0 : Normalidad

H1 : No normalidad
2 2 sd
JB T 1 2 22
6 24
Regladedecisin:si JB 22 ( ) alniveldesignificacin ,serechazaelcomportamientonormal

deladistribucinporfallaralmenosunadelascaractersticasdeforma(seaceptaasimetrao/y
excesodecurtosis).
# Se calcula el test de Jarque-Bera con los coeficientes de asimetra y exceso de curtosis
? JB = T*(((cae^2)/6)+((cece^2)/24))
Se ha generado el escalar JB = 1.27581
# Se calcula el p-valor del test de Jarque-Bera

? pvJB = pvalue(X,2,JB)
Se ha generado el escalar pvJB = 0.528398
# Se calcula el valor crtico del test de Jarque-Bera

? vcchiJB = critical(X,2,0.05)
Se ha generado el escalar vcchiJB = 5.99146
UtilizandolaregladelpvalorconeltestdeJarqueBeraenestecaso,seaceptaralahiptesisnula
denormalidaddelasperturbacionesparacualquierniveldesignificacinmenoroigualal52.84%
( p valor 0.528398 ).
Utilizando la regla del valor crtico en este caso, como el test de JarqueBera ( JB = 1.27581 ) es
inferioralvalorcrticodeladistribucinchicuadradocondosgradosdelibertad( vcchiJB = 5.99146 ),
al 5% se acepta la hiptesis de que la distribucin de la que provienen los residuos tiene una
simetrayunacurtosisoapuntamientonormal.
Observacin: debe de tenerse en cuenta que dado que en este caso el tamao muestral es
pequeo,lostestmsadecuadosparacontrastarlanormalidadsonelDoornikHansenyelWde
ShapiroWilk.
H 0 : Normalidad

H1 : No normalidad
2 2

JB t12 t 22 1 2
sd
22
S S
1 2
NORMALIDAD
53
Regla de decisin: si JB 22 ( ) al nivel de significacin , se rechaza se rechaza el

comportamientonormaldeladistribucinporfallaralmenosunadelascaractersticasdeforma
(seaceptaasimetrao/yexcesodecurtosis).
# Se calcula el test de Jarque-Bera con los tests de asimetra y exceso de curtosis de los residuos
? JB = t1^2 + t2^2
Se ha reemplazado el escalar JB = 1.27581
# Se calcula el p-valor del test de Jarque-Bera

? pvJB = pvalue(X,2,JB)
Se ha reemplazado el escalar pvJB = 0.528398
# Se calcula el valor crtico del test de Jarque-Bera

? vcchiJB = critical(X,2,0.05)
Se ha reemplazado el escalar vcchiJB = 5.99146
54
HETEROCEDASTICIDAD
55
HETEROCEDASTICIDAD
INTRODUCCIN
Una de las hiptesis de comportamiento del MRLNC es que las perturbaciones tienen la misma
varianza, es decir, son homocedsticas. Se trata de una hiptesis muy restrictiva y, en algunos
casos,pocorealista,sobretodo,sisetrabajacondatosdecortetransversal.
SiseignoralaheterocedasticidadyseestimaelmodeloporMCO,losestimadoresobtenidosno
sernlosdemenorvarianzaentretodoslosestimadoreslinealeseinsesgadosdelosparmetros,
dehecho,elverdaderovalordesusvarianzasestarsubestimado.
En este captulo se analizarn diversos mtodos para la deteccin de problemas de

heterocedasticidad. Adems, se vern diferentes alternativas para la obtencin de estimadores
conbuenaspropiedadesyseabordarlaprediccinenunmodeloheterocedstico.
DETECCINDELAHETEROCEDASTICIDAD
ElprimerpasoparaladeteccindeheterocedasticidadeslaestimacindelmodeloporMCOyla
obtencin de los residuos o errores de estimacin35, en este caso se ha utilizado el fichero
datos3.gdt36:
# Con las 30 primeras observaciones se har la estimacin del modelo
? smpl 1 30

? ols Y const X1 X2


----------------------------------------------------------------
const 4.11794 1.19625 3.442 0.0019 ***
X1 0.00498967 0.00121413 4.110 0.0003 ***
X2 0.448371 0.0654854 6.847 2.35e-07 ***

F(2, 27) 63.53190 Valor p (de F) 6.16e-11
35
36
deaceitedeolivaenlitros(Y),ingresosfamiliaresmensualesmedioseneuros(X1)ytamaofamiliar(X2).Conlas30
primerasobservacionesseharlaestimacinyconlas4ltimaslaprediccin.
56
? e = $uhat
# Se guardan los valores estimados del regresando

? ye = $yhat
Se ha generado la serie ye (ID 8)
MTODOGRFICO
Esunmtodoinformal,perodegranutilidadparadiagnosticarlaheterocedasticidad,determinar
su estructura y ayudar a solucionar el problema. Con este fin se pueden utilizar varios tipos de
grficos:
GRFICOSDELASVARIABLES
En los grficos de las variables se representa la variable dependiente respecto a las variables
explicativas.Lanubedepuntospuedeayudaravislumbrarlaexistenciadeheterocedasticidady,si
staexiste,laformafuncionaldelgrficopuedesugerireltipodeheterocedasticidad.
GRFICODELOSRESIDUOS
En el grfico de los residuos se representan los residuos
respecto a los valores estimados del regresando. La nube de
puntos puede ayudar a vislumbrar la existencia de
heterocedasticidad.
El tipo de heterocedasticidad que con ms facilidad se

descubre utilizando este grfico es la creciente (un sntoma
bastante claro de heterocedasticidad es el aumento de la
HETEROCEDASTICIDAD
57
dispersinentrelosresiduosalaumentarlosvaloresestimadosdelregresando).
GRFICOSDELOSRESIDUOSALCUADRADO
Enlosgrficosdelosresiduosalcuadradoserepresentanlosresiduosalcuadradorespectoalos
valores estimados del regresando o los valores de alguna variable de la que se sospecha es la
causante de heterocedasticidad. La nube de puntos puede ayudar a vislumbrar la existencia de
heterocedasticidad y, si sta existe, la forma funcional del grfico puede sugerir el tipo de
heterocedasticidad.
TESTSESTADSTICOS
La mayora de los tests para detectar la presencia de heterocedasticidad estn basados en el
anlisisdelosresiduosMCO.
Se puede distinguir entre tests paramtricos (contraste de White, contraste de BreuschPagan,

contraste de GoldfeldQuandt, prueba de Harvey, test de Glejser, test de Barlett, entre otros) y
testsnoparamtricos(pruebadecorrelacinderangosdeSpearman,entreotros).Losprimeros
requieren hiptesis sobre la distribucin de las perturbaciones37, mientras que los segundos no
exigenningnsupuestosobredichadistribucin.
37
Bajolahiptesisdehomocedasticidadynormalidaddelasperturbaciones.
58
Todos estos tests contrastan la hiptesis nula de ausencia de heterocedasticidad frente a la

hiptesisalternativadepresenciadeheterocedasticidad.Algunosdeestoscontrastessugierenla
forma funcional de la heterocedasticidad cuando se rechaza la hiptesis nula, por lo que la
transformacin de variables necesarias para estimar el modelo por MCG es inmediata, mientras
queotrosdeestoscontrastesnoproporcionantalinformacin.
CONTRASTEDEWHITE
H 0 : Homocedasticidad ( t2 = 2 t = 1,...,T )

H1 : Heterocedasticidad ( t2 2s algn t s )
PararealizarelcontrastedeWhiteesnecesarioestimarelmodeloporMCO,calcularlosresiduos,
formular la regresin auxiliar de los residuos al cuadrado frente a las variables explicativas, sus
cuadrados y sus productos cruzados y calcular el coeficiente de determinacin o la Suma de
CuadradosdeRegresin:
et2 0 1 X 1t 2 X 2t ... K X Kt 1 X 12t ... K X Kt

2
1 X 1t X 2t ... n X ( K 1)t X Kt ut
W1 TR 2
sd
2p p ndevariablesexplicativasdelaregresinauxiliar
Si W1 < 2p ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
SCR sd
W2 2p p ndevariablesexplicativasdelaregresinauxiliar
2 2
donde 2 =estimadormximoverosmildelavarianzadelaperturbacin 2
SCE

T
UnavariantedelcontrastedeWhiteconsisteenformularlaregresinauxiliardelosresiduosal
cuadrado frente a las variables explicativas y sus cuadrados, sin tener en cuenta los productos
cruzados:

2
ut
W3 TR 2
sd
HETEROCEDASTICIDAD
59
SCR sd
2 2
SCE

T
CONTRASTEDEBREUSCHPAGAN

PararealizarelcontrastedeBreuschPaganesnecesarioestimarelmodeloporMCO,calcularlos
residuos y estandarizarlos, formular la regresin auxiliar de los residuos estandarizados al
cuadradofrentealasvariablesexplicativasycalcularelcoeficientededeterminacinolaSumade
CuadradosdeRegresin:
rt2 0 1 X 1t 2 X 2t ... K X Kt ut
BP1 TR 2
sd
Si BP1 < 2p ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
EstaversinrobustadelcontrastedeBreuschPaganseconocecomocontrastedeKoenker.
SCR sd
BP2 2p p ndevariablesexplicativasdelaregresinauxiliar
2
CONTRASTEDEGOLDFELDQUANDT

PararealizarelcontrastedeGoldfeldQuandt,sisecreequelaheterocedasticidadescreciente(la
varianza de la perturbacin depende directamente de los valores de la variable) es necesario
60
ordenarlasvariablesdeacuerdoconlosvalorescrecientesdelavariablequesesospechequees
la causante de la heterocedasticidad38, omitir las p observaciones centrales denominando
respectivamente grupo 1 ( G1 ) y grupo 2 ( G 2 ) a las observaciones situadas por debajo y por
encima de las omitidas39, estimar el modelo por MCO en cada grupo, calcular las Sumas de
CuadradosdelosErrores(SCE1ySCE2)ycalcularelestadsticodeGoldfeldQuandt(GQ):
SCE 2
gl2 T-p
G Q =
sd
F gl
gl1
2
gl1 gl 2 = - (K + 1)
SCE 1 2
gl1
Si G Q < F glgl12 ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad40
PRUEBADEHARVEY

PararealizarlapruebadeHarveyesnecesarioestimarelmodeloporMCO,calcularlosresiduos,
formular la regresin auxiliar del logaritmo natural del cuadrado de los residuos frente a las
variables explicativas y calcular el coeficiente de determinacin o la Suma de Cuadrados de
Regresin:
ln et2 0 1 X 1t 2 X 2t ... K X Kt ut
H1 TR 2
sd
Si H1 < 2p ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
SCR
H2
sd
4.9348
38
Sisecreequelaheterocedasticidadesdecreciente(lavarianzadelaperturbacindependeinversamentedelos
valoresdelavariable)sedebeordenarlamuestradeacuerdoconlosvaloresdecrecientesdedichavariableyproceder
delamismaforma.
39
Normalmente p=1/3 de la muestra y es aconsejable que el n de observaciones de los dos grupos sea igual o
aproximadamenteigual.
40
Sisesospechaheterocedasticidaddecrecienteysemantienelaordenacincrecientealniveldesignificacin se
rechazalahiptesisdehomocedasticidadsi G Q F glgl12 ( 1 ) .
HETEROCEDASTICIDAD
61
Si H 2 < 2p ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
TESTDEGLEJSER

Para realizar test de Glejser es necesario estimar el modelo por MCO, calcular los residuos,
formularlaregresinauxiliardelvalorabsolutodelosresiduosfrentealasvariablesexplicativasy
calcularelcoeficientededeterminacinolaSumadeCuadradosdeRegresin:
| et | 0 1 X 1t 2 X 2t ... K X Kt ut
G1 TR 2
sd
Si G1 < 2p ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
SCR
G2
sd
2 2
1

SCE

T
TESTDEBARLETT
Seutilizacuandosesospechaquelaheterocedasticidadesporgrupos.
Paramuestrasgrandes:
p
TB = (T - p) ln 2 - ( T - 1) ln
i=1
i
2
i
sd
2p 1
donde:T=tamaomuestral
p=nmerodegrupos
SCE
2 =estimadormximoverosmildelavarianzatotal 2
T
Ti=tamaodelgrupoi
SCEi
i2 =estimadormximoverosmildelavarianzadelgrupoi i2
Ti
62
Si TB < 2p1( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
Enmuestraspequeassesueleutilizar:
p
TB
(T - p) ln 2 - ( T - 1) ln
i
2
i
TBC = p
i=1

sd
2p 1
FC
( T - 1 )
1 -1
1+ [ i - (T - p )-1 ]
3 (p - 1) i=1
p

1
dondeFC=factordecorreccin FC = 1 + [ ( T i - 1 )-1 - (T - p )-1 ]
3 (p - 1) i=1

Si TBC < 2p 1( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
COMANDOSPARALADETECCINDEHETEROCEDASTICIDAD
COMANDOgnuplot
gnuplotvariable/sejeverticalvariableejehorizontalopciones
ejeverticalla/svariable/sproporcionada/senprimerlugaryenelejehorizontallaltimadelas
En este caso, si se representa el regresando frente a cada una de las variables explicativas, se
sospechalaexistenciadeheterocedasticidaddecrecienteprovocadaporlavariableX1.
41
OtraformadeaccederaestosgrficosseraenlaVentanaPrincipalyenelmenVerseleccionarGrficosyelegir
GrficoXY(scatter)yenlaventanaemergenteseleccionarlasvariablesdelejeXydelejeY.
HETEROCEDASTICIDAD
63
? gnuplot Y X1
Y con respecto a X1 (con ajuste mnimo-cuadrtico)

14
Y = 0.860 + 0.00930X
13
12
11
Y
10
8
800 900 1000 1100 1200 1300
X1

? gnuplot Y X2
Y con respecto a X2 (con ajuste mnimo-cuadrtico)

14
Y = 8.97 + 0.588X
13
12
11
Y
10
8
1 2 3 4 5 6 7
X2

64
Si se representan los residuos frente al regresando estimado, no se sospecha la existencia de

heterocedasticidad.
# Se estima el modelo por MCO, se guardan los residuos y el regresando estimado
? e = $uhat
? ye = $yhat
#
? gnuplot e ye
1.5
0.5
0
e
-0.5
-1
-1.5
-2
9 10 11 12 13
ye

Si se representan los residuos al cuadrado frente alregresando, no se sospecha la existencia de
heterocedasticidad.
# Se genera el cuadrado de los residuos
? e2 = e^2
Se ha generado la serie e2 (ID 9)
? gnuplot e2 ye
HETEROCEDASTICIDAD
65
2.5
1.5
e2
0.5
0
9 10 11 12 13
ye

Siserepresentanlosresiduosalcuadradofrentealaprimeraexplicativa,sesospechalaexistencia
deheterocedasticidaddecrecienteprovocadaporlavariableX1.
? gnuplot e2 X1
e2 con respecto a X1 (con ajuste m-nimo-cuadrtico)

2.5
Y = 2.48 - 0.00202X
1.5
1
e2
0.5
-0.5
800 900 1000 1100 1200 1300
X1

COMANDOmodtest
El comando modtest debe ir precedido por un comando ols, ya que para analizar la
heterocedasticidad,GretlutilizalosresiduosdelaltimaestimacinMCOrealizada.
Elformatodelcomandomodtestes:
modtestopciones
66
Las opciones disponibles para la deteccin de heterocedasticidad42 con el comando modtest

son43:
whiteproporcionaelcontrastedeWhiteenfuncindelasvariablesexgenas,suscuadradosy
susproductoscruzados
whitenocross proporcionaelcontrastedeWhiteenfuncindelasvariablesexgenasysus
cuadrados
breuschpaganproporcionaelcontrastedeBreuschPaganbasadoenlaSCR
breuschpaganrobustproporcionaelcontrastedeBreuschPaganbasadoenelR2
Lasalidaestndardelcomandomodtestserelestadsiticodecontrastecorrepondientealaopcin
proporcionadaysupvalor44.
Gretl proporciona dos tipos de tests para la deteccin de heterocedasticidad, los basados en el
coeficientededeterminacin(testsLM)ylosbasadosenlaSumadeCuadradosdelaRegresin
(tests de Wald). Estos tests presuponen una determinada estructura para la heterocedasticidad,
estructura que ser tenida en cuenta a la hora de obtener los estimadores Mnimo Cuadrticos
GeneralizadosFactiblesdelmodelo.
Para realizar el contraste de White en funcin de las variables exgenas, sus cuadrados y sus
productoscruzadosseutilizarlaopcinwhite:
? ols Y const X1 X2 XK --quiet
? modtest --white --quiet
Contraste de heterocedasticidad de White
Estadstico de contraste: TR^2 = WH

con valor p = P(Chi-cuadrado( GLWH ) > WH ) = pvWH
Enestecaso,conelcontrastedeWhiteserechazaralahiptesisalternativadeheterocedasticidad
para cualquier nivel de significacin menor o igual al 1.15% y se aceptara para niveles de
significacinsuperiores( p valor 0.011488 ):
? modtest --white --quiet
Contraste de heterocedasticidad de White
Estadstico de contraste: TR^2 = 14.749575,

con valor p = P(Chi-cuadrado(5) > 14.749575) = 0.011488
42
Adiferencia de otrospaquetes economtricos, la batera de contrastes de heterocedasticidad querealiza Gretl es
muy reducida, pero es relativamente sencillo establecer un conjunto de instrucciones que permitan contrastar otras
estructurascomopuedenserlasestablecidasporHarvey,Gleser,etc.
43
Otra forma de acceder a esta informacin sera seleccionar Heterocedasticidad en el men Contrastes de la
VentanaModeloyseleccionarelcontrastedeseado.
44
Todaslasregresionesauxiliaresestnformuladasconordenadaenelorigen.Siseestinteresadoenverlaregresin
auxiliarsedeberejecutarelcomandomodtestsinlaopcinquiet.
HETEROCEDASTICIDAD
67
Para realizar el contraste de White en funcin de las variables exgenas y sus cuadrados (sin
considerarlosproductoscruzados)seutilizarlaopcinwhitenocross:
? modtest --white-nocross --quiet
Contraste de heterocedasticidad de White (cuadrados slo)
Estadstico de contraste: TR^2 = WH * ,

con valor p
*
= P(Chi-cuadrado( GLWH ) > WH * ) = pvWH*
Enestecaso,conelcontrastedeWhiteserechazaralahiptesisalternativadeheterocedasticidad
para cualquier nivel de significacin menor o igual al 0.07% y se aceptara para niveles de
significacinsuperiores( p valor 0.007029 ):
? modtest --white-nocross --quiet
Contraste de heterocedasticidad de White (cuadrados slo)
Estadstico de contraste: TR^2 = 14.084953,

Para realizar el contraste de BreuschPagan basado en la Suma de Cuadrados de la Regresin se

utilizarlaopcinbreuschpagan:
? modtest --breusch-pagan --quiet
Contraste de heterocedasticidad de Breusch-Pagan
Estadstico de contraste: LM = BP ,
con valor p = P(Chi-cuadrado( GLBP ) > BP ) = pvBP
En este caso, con el contraste de BreuschPagan se rechazara la hiptesis alternativa de

heterocedasticidadparacualquierniveldesignificacinmenoroigualal2.71%yseaceptarapara
nivelesdesignificacinsuperiores( p valor 0.027077 ):
? modtest --breusch-pagan --quiet
Estadstico de contraste: LM = 7.218125,

PararealizarelcontrastedeBreuschPaganbasadoenelcoeficientededeterminacinseutilizarla
opcinbreuschpaganrobust:
? modtest --breusch-pagan --robust --quiet

con estimador robusto de la varianza de Koenker
Estadstico de contraste: LM = BP* ,

* * *
con valor p = P(Chi-cuadrado( GLBP ) > BP ) = pvBP
En este caso, con el contraste de BreuschPagan se rechazara la hiptesis alternativa de

heterocedasticidadparacualquierniveldesignificacinmenoroigualal1.05%yseaceptarapara
nivelesdesignificacinsuperiores( p valor 0.010479 ):
68
? modtest --breusch-pagan --robust --quiet

con estimador robusto de la varianza de Koenker
Estadstico de contraste: LM = 9.116749,

En resumen, si se analiza el pvalor, para un nivel de significacin del 5%, se acepta

heterocedasticidad con las dos variantes del test de White y con las dos variantes del test de
BreuschyPagan.
Dado que se ha detectado heterocedasticidad, se debe determinar cul es la estructura de la

misma,aceptndoseaquellaalaquelecorrespondaun menorpvalor(estructuraconlaquela
probabilidad de rechazar la hiptesis nula de homocedasticidad siendo cierta sea menor). Por
tanto,teniendoencuentaelpvalorydescartandoeltestdeWhiteporseruntestgenrico,se
aceptalaestructuraaditivaparalaheterocedasticidadpropuestaporeltestdeBreuschPagan45.
SOLUCIONESALAHETEROCEDASTICIDAD
Unodelosproblemasquepresentaunmodeloenelquesehadetectadoheterocedasticidadesla
imposibilidaddeutilizarlosestadsticost,FyLMpararealizarinferencia,alnopodergarantizarlas
distribucionesdedichosestadsticos.Noobstante,existenprocedimientosdeestimacinrobustos
que en muestras grandes permiten ajustar los errores estndar y los estadsticos t, F y LM
garantizando su validez en presencia de heterocedasticidad de estructura desconocida y
permitiendorealizarinferencia.
Como los contrastes de hiptesis son necesarios en cualquier estudio economtrico, se debe
decidirsiseguirutilizandolosestimadoresMCOobuscarestimadoresalternativos:
Enmuestrasgrandessepuedenobtenerestimadoresrobustosdelasvarianzas,loquepermite
seguirutilizandolosestadsticospararealizarinferencia,almenosasintticamente.
EnmuestraspequeassepuedenobtenerlosestimadoresdeMCG(loquerequiereconocerla
estructuradelaheterocedasticidad),estimadoresLIOymseficientesquelosdeMCO.
ESTIMACINMNIMOCUADRTICAPONDERADA
La obtencin de los estimadores de Mnimos Cuadrados Generalizados (MCG) pasa por la
transformacin del modelo de acuerdo con la estructura de heterocedasticidad detectada y la
obtencin de los estimadores MCO del modelo transformado. Bajo heterocedasticidad dicha
transformacin consiste en ponderar las observaciones de las variables por la inversa del
45
Ensentidoestricto,antesdetomarunadecisinseranecesariocalcularotrostestsdeheterocedasticidad.
HETEROCEDASTICIDAD
69
estimadordeladesviacinestndardelaperturbacin46,porello,enestecaso,alosestimadores
obtenidostambinselesdenominaestimadoresdeMnimosCuadradosPonderados(MCP).
EnGretlhaydosposibilidadesparaobtenerlosestimadoresMCP:
1. Elcomandowls
2. Elcomandohsk
Ladiferenciaentreamboscomandosradicaenqueconelcomandowlsesnecesarioespecificarla
variabledeponderacinyconelcomandohsknoesnecesario,yaqueGretlestablecepordefecto
unaestructuramultiplicativayenbaseaellacalculalavariabledeponderacin47.
COMANDOwls
Elformatodelcomandowlses48:
wlsvariabledeponderacinYconstX1X2XKopciones
ConelcomandowlsGretlutilizalarazcuadradadelavariabledeponderacinparatransformar
lasvariablesqueintervienenenelmodelo.
Algunasdelasopcionesdisponiblesconelcomandowlsson:
vcvpermitevisualizarlamatrizdevarianzascovarianzasestimadasdelosestimadores
robust proporciona estimadores robustos de las desviaciones estndar bajo
heterocedasticidad
ParalaobtencindelosestimadoresMCPesnecesariaunavariabledeponderacin,quedebeser
calculadapreviamentesiguiendolospasos:
1. EstimarelmodeloporMCO.
2. Estimar una regresin auxiliar en base a la estructura de heterocedasticidad detectada para
obtenerestimadoresdelavarianzadelaperturbacinparacadaobservacindelmodelo(en
estecaso,unaestructuraaditivabasadaeneltestdeBreuchPagan).
3. Generarlavariabledeponderacincomolainversadelosvaloresestimadosdelasvarianzasen
laregresinauxiliar.
Enestecaso,losresultadosobtenidosson:
46
Queencasoextremoesdistintoparacadaobservacin.
47
La utilizacin del comando hsk ser tanto ms adecuada cuanto ms se aproxime la verdadera estructura de la
heterocedasticidadalaestructuramultiplicativaasumida.
48
OtraformadeaccederaestainformacinseraseleccionarMnimoscuadradosponderadosenelsubmenOtros
ModelosLinealesdelmenModelodelaVentanaPrincipal.
70
# Se estima por MCO y se guardan los residuos y la desviacin tpica estimada de la perturbacin
? e = $uhat
? Sigma = $sigma
Se ha generado el escalar Sigma = 0.629066
# Se calculan los residuos estandarizados al cuadrado

? r2=(e/Sigma)^2
Se ha generado la serie r2 (ID 31)
# Se estima el modelo auxiliar para estimar la estructura de la varianza

? ols r2 const X1 X2 --quiet
# Se toma el valor absoluto del regresando estimado para evitar varianzas estimadas negativas
? r2ea = abs($yhat)
Se ha generado la serie r2ea (ID 32)
# Se calcula la variable de ponderacin

? ponde = 1/r2ea
Se ha reemplazado la serie ponde (ID 21)
# Se realiza la estimacin Mnimo Cuadrtica Ponderada con el comando wls

? wls ponde Y const X1 X2
Modelo 38: MC.Ponderados, usando las observaciones 1-30

Variable utilizada como ponderacin: ponde

----------------------------------------------------------------
const 5.66791 1.12422 5.042 2.72e-05 ***
X1 0.00357963 0.00108188 3.309 0.0027 ***
X2 0.429201 0.0512644 8.372 5.54e-09 ***
Estadsticos basados en los datos ponderados:

F(2, 27) 94.09108 Valor p (de F) 6.77e-13
Estadsticos basados en los datos originales:

Observacin1:comonoseconocelaverdaderaestructuradelaheterocedasticidadyesnecesario
estimarla(enestecasoutilizandolaestructuraaditivadeltestdeBreuschPagan),losestimadores
obtenidos no son los de Mnimos Cuadrados Generalizados sino los de Mnimos Cuadrados
GeneralizadosFactibles(MCGF).
Observacin2:comoparatransformarelmodelonosehanutilizadolosverdaderosvaloresdelas
varianzassinounosvaloresaproximados,losestimadoresMCGFobtenidospuedennosermejores
quelosMCOyparasolucionaresteproblemasepuederepetirelprocesodeformaiterativa49.
49
Enestaversin,Gretlnopermitehaceriteracionesconestecomando.
HETEROCEDASTICIDAD
71
COMANDOhsk
Elformatodelcomandohskes50:
hskYconstX1X2XKopciones
Algunasdelasopcionesdisponiblesconelcomandohskson:
vcvpermitevisualizarlamatrizdevarianzascovarianzasestimadasdelosestimadores
Se utilizar este comando cuando la estructura de la heterocedasticidad se pueda aproximar
medianteunafuncincuadrticadelosregresores.
Enestecaso,losresultadosobtenidosson:
? hsk Y const X1 X2
Modelo 5: con correccin de heterocedasticidad, usando las observaciones 1-30


----------------------------------------------------------------
const 5.57521 1.26298 4.414 0.0001 ***
X1 0.00376206 0.00118623 3.171 0.0038 ***
X2 0.423242 0.0569151 7.436 5.33e-08 ***

F(2, 27) 59.06813 Valor p (de F) 1.38e-10
Log-verosimilitud -59.16679 Criterio de Akaike 124.3336

ESTIMACINROBUSTA
EnGretlparaobtenerlosestimadoresrobustosseutilizaelcomandoolsconlaopcinrobust:
olsYconstX1Xkrobust
Enestecaso,elresultadoobtenidoes:
? ols Y const X1 X2 --robust

Desviaciones tpicas robustas ante heterocedasticidad, variante HC1

----------------------------------------------------------------
50
OtraformadeaccederaestainformacinseraseleccionarCorreccindeheterocedasticidadenelsubmenOtros
ModelosLinealesdelmenModelodelaVentanaPrincipal.
72
const 4.11794 1.76726 2.330 0.0275 **
X1 0.00498967 0.00173609 2.874 0.0078 ***
X2 0.448371 0.0679674 6.597 4.46e-07 ***

F(2, 27) 63.73484 Valor p (de F) 5.94e-11
PREDICCINCONHETEROCEDASTICIDAD
Parapredecirseutilizaelcomandofcast,cuyoformatoes51:
fcastobservacininicialobservacinfinalopciones
Algunasdelasopcionesdisponiblesconelcomandofcastson:
staticproporcionaestimacionesestticas
Observacin: las predicciones deben hacerse en el mbito del modelo estimado por MCP, por lo
queencasodeheterocedasticidadelcomandofcastdebeirprecedidoporuncomandowlsopor
uncomandohsk.
Conlosdatosdisponibles:
# Se estima el modelo por MCP y se hace la prediccin con las 4 ltimas observaciones
? wls ponde Y const X1 X2 --quiet
? fcast 31 34 --static
Para intervalos de confianza 95%, t(27, .0.025) = 2.052
Observaciones Y prediccin Desv. Tpica Intervalo de confianza 95%
31 10.00 10.09 0.647 8.76 - 11.42

32 13.00 12.50 0.684 11.10 - 13.91
33 12.00 11.56 0.660 10.21 - 12.92
34 9.00 9.60 0.650 8.27 - 10.94
Estadsticos de evaluacin de la prediccin
Error medio 0.060181

Error cuadrtico medio 0.2022
Raz del Error cuadrtico medio 0.44966
Error absoluto medio 0.40684
Porcentaje de error medio -0.034432
Porcentaje de error absoluto medio 3.7666
U de Theil 0.19659
Proporcin de sesgo, UM 0.017912
Proporcin de regresin, UR 0.8656
Proporcin de perturbacin, UD 0.11648
51
Otra forma de acceder a esta informacin sera seleccionar Predicciones en el men Anlisis de la Ventana
Modeloyhacerlaseleccindeseada(dominiodeprediccin,tipodeprediccin,).
LaprediccinconheterocedasticidadsedeberealizarenelmodeloestimadoporMCP,portanto,laVentanaModelo
enlaquesehagaelanlisisdebeserladeestaestimacin.
HETEROCEDASTICIDAD
73
CLCULOS
CONTRASTE DE WHITE EN FUNCIN DE LAS VARIABLES EXGENAS DEL
MODELO,SUSCUADRADOSYSUSPRODUCTOSCRUZADOS

Regresinauxiliar:

2
1 X 1t X 2t ... n X ( K 1)t X Kt u t
# Se estima el modelo por MCO y se guarda el cuadrado de los residuos, el cuadrado de las exgenas,
el producto cruzado de las exgenas y el estimador mximo-verosmil de la varianza de la
perturbacin
? e2 = $uhat^2
Se ha reemplazado la serie e2 (ID 9)
? X12 = X1^2
? X22 = X2^2
? X1X2 = X1*X2
Se ha generado la serie X1X2 (ID 12)
? Sigma2 = $sigma^2
Se ha generado el escalar Sigma2 = 0.395723
# Se hace la regresin auxiliar de los residuos al cuadrado frente a las variables exgenas, sus
cuadrados y sus productos cruzados y se guarda el tamao muestral, el coeficiente de determinacin y
la Suma de Cuadrados de Regresin
? ols e2 const X1 X2 X12 X22 X1X2 quiet
? T = $T
? R2 = $rsq
Se ha generado el escalar R2 = 0.491653
? SCR = sst($yhat)
Se ha generado el escalar SCR = 2.96253
W1 TR 2
sd
Regladedecisin:si W1 < 2p ( ) alniveldesignificacin seaceptahomocedasticidad

# Se calcula el test de White basado en el coeficiente de determinacin, su valor crtico y su p-
valor
? W1=$T*$rsq
Se ha generado el escalar W1 = 14.7496
? vcW1 =critical(X,$ncoeff-1,0.05)
Se ha generado el escalar vcW1 = 11.0705
74
? pvW1 = pvalue(X,$ncoeff-1,W1)
Se ha generado el escalar pvW1 = 0.0114877
En este caso, como W1 = TR 2 14.7496 2p ( ) 52 ( 0.05 ) 11.0705 , se acepta heterocedasticidad al

5%yparacualquierniveldesignificacinsuperioral1.15%( p valor 0.0114877 ).
SCR sd
2 2
donde, 2 =estimadormximoverosmildelavarianzadelaperturbacin 2
SCE

T

# Se calcula el test de White basado en la Suma de Cuadrados de la Regresin, su valor crtico y su
p-valor
? W2 = SCR/(2*Sigma2^2)
Se ha reemplazado el escalar W2 = 11.6779
? vcW2 = critical(X,$ncoeff-1,0.05)
Se ha reemplazado el escalar vcW2 = 11.0705
Se ha reemplazado el escalar pvW2 = 0.0394784
SCR
Enestecaso,dadoque W2 11.6779 2p ( ) 52 ( 0.05 ) 11.0705 , seaceptaheterocedasticidad
2 2
al5%yparacualquierniveldesignificacinsuperioral3.95%( p valor 0.0394784 ).
CONTRASTE DE WHITE EN FUNCIN DE LAS VARIABLES EXGENAS DEL

MODELOYSUSCUADRADOS

Regresinauxiliar:

2
ut
# Se estima el modelo por MCO y se guarda el cuadrado de los residuos, el cuadrado de las exgenas y
el estimador mximo-verosmil de la varianza de la perturbacin
? e2 = $uhat^2
? X12 = X1^2
? X22 = X2^2
? Sigma2 = $sigma^2
Se ha generado el escalar Sigma2 = 0.395723
HETEROCEDASTICIDAD
75
# Se hace la regresin auxiliar de los residuos al cuadrado frente a las variables exgenas y sus
cuadrados y se guarda el tamao muestral, el coeficiente de determinacin y la Suma de Cuadrados de
Regresin
? ols e2 const X1 X2 X12 X22 quiet
? T = $T
Se ha reemplazado el escalar T = 30
? R2 = $rsq
Se ha reemplazado el escalar R2 = 0.469498
? SCR = sst($yhat)
Se ha reemplazado el escalar SCR = 2.82904
W1 TR 2
sd

# Se calcula el test de White basado en el coeficiente de determinacin, su valor crtico y su p-
valor
? W3 = T*R2
Enestecaso,como W3 TR 2 14.085 2p ( ) 24 ( 0.05 ) 9.48773 , seaceptaheterocedasticidadal5%

yparacualquierniveldesignificacinsuperioral0.70%( p valor 0.0070288 ).
SCR sd
2 2
SCE

T

# Se calcula el test de White basado en la Suma de Cuadrados de la Regresin, su valor crtico y su
p-valor
? W4 = SCR/(2*Sigma2^2)
SCR
En este caso, como W4 11.1517 2p ( ) 52 ( 0.05 ) 9.48773 , se acepta heterocedasticidad al
2 2
76
CONTRASTEDEBREUSCHPAGAN

Regresinauxiliar:
rt2 0 1 X 1t 2 X 2t ... K X Kt ut
# Se estima el modelo por MCO y se guardan los residuos y el estimador mximo-verosmil de la
varianza de la perturbacin
? e = $uhat
? Sigma2 = $ess/$T
Se ha reemplazado el escalar Sigma2 = 0.356151
# Se estandarizan los residuos y se elevan al cuadrado

? eS2=($uhat/sqrt(Sigma2))^2
Se ha reemplazado la serie eS2 (ID 13)
# Se hace la regresin auxiliar de los residuos estandarizados al cuadrado frente a las variables
exgenas y se guarda el tamao muestral, el coeficiente de determinacin y la Suma de Cuadrados de
Regresin
? ols eS2 const X1 X2 quiet
? T = $T
? R2 = $rsq
? SCR = sst($yhat)
BP1 TR 2
sd

# Se calcula el test de Breusch-Pagan basado en el coeficiente de determinacin, su valor crtico y
su p-valor
? BP1 = T*R2
Se ha generado el escalar BP1 = 9.11675
? vcBP1 = critical(X,$ncoeff-1,0.05)
Se ha generado el escalar vcBP1 = 5.99146
? pvBP1 = pvalue(X,$ncoeff-1,BP1)
Se ha generado el escalar pvBP1 = 0.0104791
En este caso, como BP1 TR 2 9.11675 2p ( ) 24 ( 0.05 ) 5.99146 , se acepta heterocedasticidad al

HETEROCEDASTICIDAD
77
SCR sd
BP2 2p p ndevariablesexplicativasdelaregresinauxiliar
2
Regla de decisin: si BP2 < 2p ( ) al nivel de significacin se acepta la hiptesis nula de

homocedasticidad
# Se calcula el test de Breusch-Pagan basado en la Suma de Cuadrados de la Regresin, su valor
crtico y su p-valor
? BP2 = SCR/2
Se ha generado el escalar BP2 = 7.21813
? vcBP2 = critical(X,$ncoeff-1,0.05)
Se ha generado el escalar vcBP2 = 5.99146
? pvBP2 = pvalue(X,$ncoeff-1,BP2)
Se ha generado el escalar pvBP2 = 0.0270772
SCR
Enestecaso,como BP2 0.0270772 2p ( ) 24 ( 0.05 ) 5.99146 , se acepta heterocedasticidad
2
PRUEBADEHARVEY

Regresinauxiliar:
ln et2 0 1 X 1t 2 X 2t ... K X Kt ut
# Se estima el modelo por MCO y se guardan los residuos
? e = $uhat
# Se calcula el logaritmo de los residuos al cuadrado

? le2 = log(e^2)
Se ha generado la serie le2 (ID 16)
# Se hace la regresin auxiliar del logaritmo de los residuos al cuadrado frente a las variables
exgenas y se guarda el tamao muestral, el coeficiente de determinacin y la Suma de Cuadrados de
Regresin
? ols le2 const X1 X2 quiet
? T = $T
? R2 = $rsq
? SCR = sst($yhat)
H1 TR 2
sd
78
Si H1 < 2p ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad

# Se calcula el test de Harvey basado en el coeficiente de determinacin, su valor crtico y su p-
valor
? H1 = T*R2
Se ha generado el escalar H1 = 6.9943
? vcH1 = critical(X,$ncoeff-1,0.05)
Se ha generado el escalar vcH1 = 5.99146
? pvH1 = pvalue(X,$ncoeff-1,H1)
Se ha generado el escalar pvH1 = 0.0302836
Enestecaso,como H1 TR 2 6.9943 2p ( ) 24 ( 0.05 ) 5.99146 , seaceptaheterocedasticidadal5%

SCR
H2
sd
4.9348
Regla de decisin: si H 2 < 2p ( ) al nivel de significacin se acepta la hiptesis nula de

homocedasticidad
# Se calcula el test de Harvey basado en la Suma de Cuadrados de la Regresin, su valor crtico y su
p-valor
? H2 = SCR/4.9348
Se ha reemplazado el escalar H2 = 8.80477
? vcH2 = critical(X,$ncoeff-1,0.05)
Se ha generado el escalar vcH2 = 5.99146
? pvH2 = pvalue(X,$ncoeff-1,H2)
Se ha generado el escalar pvH2 = 0.0122481
SCR
Enestecaso,como H 2 8.80477 2p ( ) 24 ( 0.05 ) 5.99146 ,seaceptaheterocedasticidadal
4.9348
TESTDEGLEJSER

Regresinauxiliar:
| et | 0 1 X 1t 2 X 2t ... K X Kt ut
# Se estima el modelo por MCO y se guardan los residuos y el estimador mximo verosmil de la
varianza de la perturbacin
? e = $uhat
? Sigma2 = $ess/$T
Se ha reemplazado el escalar Sigma2 = 0.356151
HETEROCEDASTICIDAD
79
# Se calcula el valor absoluto de los residuos
? ea = abs(e)
Se ha reemplazado la serie ea (ID 17)
#
# Se hace la regresin auxiliar del valor absoluto de los residuos frente a las variables exgenas
y se guarda el tamao muestral, el coeficiente de determinacin y la Suma de Cuadrados de Regresin
? ols ea const X1 X2 quiet
? T = $T
? R2 = $rsq
? SCR = sst($yhat)
G1 TR 2
sd

# Se calcula el test de Glejser basado en el coeficiente de determinacin, su valor crtico y su p-
valor
? G1 = T*R2
Se ha reemplazado el escalar G1 = 9.11691
? vcG1 = critical(X,$ncoeff-1,0.05)
Se ha reemplazado el escalar vcG1 = 5.99146
? pvG1 = pvalue(X,$ncoeff-1,G1)
Se ha reemplazado el escalar pvG1 = 0.0104782
Enestecaso,como G1 TR 2 9.11691 2p ( ) 24 ( 0.05 ) 5.99146 ,seaceptaheterocedasticidadal5%

SCR
G2 2p p ndevariablesexplicativasdelaregresinauxiliar
sd
2 2
1

SCE

T
Regla de decisin: si G2 < 2p ( ) al nivel de significacin se acepta la hiptesis nula de

homocedasticidad
# Se calcula el test de Glejser basado en la Suma de Cuadrados de la Regresin, su valor crtico y
su p-valor
? G2 = SCR/((1-(2/$pi))*Sigma2)
Se ha reemplazado el escalar G2 = 7.92398
? vcG2 = critical(X,$ncoeff-1,0.05)
Se ha reemplazado el escalar vcG2 = 5.99146
? pvG2 = pvalue(X,$ncoeff-1,G2)
Se ha reemplazado el escalar pvG2 = 0.0190252
80
SCR
Enestecaso,como G2 7.92398 2p ( ) 24 ( 0.05 ) 5.99146 ,seaceptaheterocedasticidad
2 2
1

CONTRASTEDEGOLDFELDQUANDT

PararealizarelcontrastedeGoldfeldQuandt,sisecreequelaheterocedasticidadescreciente(la
varianza de la perturbacin depende directamente de los valores de la variable) es necesario
ordenarlosdatosdeacuerdoconlosvalorescrecientesdelavariablequesesospechequeesla
causante de heterocedasticidad52, omitir p observaciones centrales53 denominando
respectivamentegrupo1( G1 )ygrupo2( G2 )alasobservacionessituadaspordebajoyporencima
delasomitidas,estimarelmodeloporMCOencadagrupo,calcularlasSumasdeCuadradosdelos
Errores(SCE1ySCE2)ycalcularelestadsticodeGoldfeldQuandt(GQ):
SCE 2
gl2 T-p
G Q =
sd
F gl
gl1
2
gl1 gl 2 = - (K + 1)
SCE 1 2
gl1
Si G Q < F glgl12 ( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad

# Se genera la variable orden como referencia de la serie original
? orden = time
Se ha generado la serie orden (ID 20)
# Se ordena la base de datos en funcin de los valores de X1

? dataset sortby X1
# Se estima el modelo con las 10 primeras observaciones y se guardan la SCE y los grados de libertad
? smpl 1 10
52
Sisecreequelaheterocedasticidadesdecreciente(lavarianzadelaperturbacindependeinversamentedelos
valoresdelavariable)sedebeordenarlamuestradeacuerdoconlosvaloresdecrecientesdedichavariableyproceder
delamismaforma.
Si en este caso de sospecha de heterocedasticidad decreciente se mantiene la ordenacin creciente se rechazara la
hiptesisdehomocedasticidadsi G Q F gl gl1 ( 1 ) .
2
53
Normalmente p=1/3 de la muestra y es aconsejable que el n de observaciones de los dos grupos sea igual o
aproximadamenteigual.
HETEROCEDASTICIDAD
81
? SCE1 = $ess
Se ha generado el escalar SCE1 = 4.79297
? gl1 = $df
Se ha generado el escalar gl1 = 7
#
# Se estima el modelo con las 10 ltimas observaciones y se guardan la SCE y los grados de libertad
? smpl 21 30
? SCE2 = $ess
Se ha generado el escalar SCE2 = 0.44746
? gl2 = $df
Se ha generado el escalar gl2 = 7
# Se calcula el test de Goldfeld-Quandt, su valor crtico para la cola derecha e izquierda y su p-

valor
? GQ = (SCE2/gl2)/(SCE1/gl1)
Se ha reemplazado el escalar GQ = 0.0933576
? vcGcd = critical(F,gl2,gl1,0.05)
Se ha reemplazado el escalar vcGcd = 3.78704
? pvGQcd = pvalue(F,gl2,gl1,GQ)
Se ha generado el escalar pvGQcd = 0.997145
? vcGci = critical(F,gl2,gl1,0.95)
Se ha reemplazado el escalar vcGci = 0.264058
? pvGQci = 1-pvalue(F,gl2,gl1,GQ)
Se ha generado el escalar pvGQci = 0.00285478
# Se vuelve al rango original

? smpl 1 30
# Se ordena la base de datos en funcin de la variable orden (base de datos con el orden original)
? dataset sortby orden
SCE 2
DF2
En este caso, dado que G Q 0.0933576 Fglgl12 ( ) F1010 ( 0.05 ) 3.78704 , se rechaza
SCE 1
DF1
heterocedasticidadcrecienteal5%yparacualquierniveldesignificacinigualoinferioral99.72%
( p valor 0.997145 ).
SCE 2
DF2
En este caso, dado que G Q 0.0933576 Fglgl12 ( 1 ) F1010 ( 0.95 ) 0.264058 , se acepta
SCE 1
DF1
heterocedasticidad decreciente al 5% y para cualquier nivel de significacin superior al 0.29%
( p valor 0.00285478 ).
TESTDEBARLETT
Seutilizacuandosesuponequelaheterocedasticidadesporgrupos.Paramuestrasgrandes:
82
p
TB = (T - p) ln -
2
( T - 1) ln
i=1
i
2
i
sd
2p 1
donde:T=tamaomuestral
p=nmerodegrupos
SCE
2 =estimadormximoverosmildelavarianzatotal 2
T
Ti=tamaodelgrupoi
SCEi
i2 =estimadormximoverosmildelavarianzadelgrupoi i2
Ti
Si TB < 2p1( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad
Enmuestraspequeassesueleutilizar:
p
TB
(T - p) ln 2 - ( T - 1) ln
i
2
i
TBC = p
i=1

sd
2p 1
FC
( T - 1 )
1 -1
1+ [ i - (T - p )-1 ]
3 (p - 1) i=1
p
( T - 1 )
1
dondeFC=factordecorreccin FC = 1 + [ -1
- (T - p )-1 ]
3 (p - 1)
i

i=1
Si TBC < 2p 1( ) alniveldesignificacin seaceptalahiptesisnuladehomocedasticidad

# Se estima el modelo y se guardan los residuos
? e = $uhat
# Se genera la variable orden como referencia de la serie original

? orden = time
Se ha reemplazado la serie orden (ID 20)
# Se ordena la base de datos en funcin de los valores de X1

? dataset sortby X1
# Se genera el n de grupos (p):

? p = 3
Se ha reemplazado el escalar p = 3
# Para el grupo 1 se genera su tamao y se calcula su varianza estimada
? smpl 1 9
? T1 = 9
Se ha generado el escalar T1 = 9
? S2G1 = sum(e^2)/T1
Se ha generado el escalar S2G1 = 0.664434
HETEROCEDASTICIDAD
83
? smpl 10 20
? T2 = 11
? S2G2 = sum(e^2)/T2
? smpl 21 30
? T3 = 10
? S2G3 = sum(e^2)/T3
# Se genera el tamao total y la varianza estimada global
? T = T1+T2+T3
? S2 = ((T1*S2G1)+(T2*S2G2)+(T3*S2G3))/T
Se ha reemplazado el escalar S2 = 0.356151
# Se genera el test de Barlett

? TB = T*log(S2)-(T1*log(S2G1)+T2*log(S2G2)+T3*log(S2G3))
Se ha generado el escalar TB = 6.61358
# Se genera el factor de correccin

? FC = 1+(1/(3*(p-1)))*((1/T1)+(1/T2)+(1/T3)-(1/T))
Se ha generado el escalar FC = 1.04478
# Se genera el test de Barlett para muestras pequeas

? TBC = TB/FC
Se ha generado el escalar TBC = 6.33011
# Se busca el valor crtico

? vcTB = critical(X,p-1,0.05)
Se ha generado el escalar vcTB = 5.99146
# Se busca el p-valor
? pvTBC = pvalue(X,p-1,TBC)
Se ha generado el escalar pvTBC = 0.0422118
# Se vuelve al rango original

? smpl 1 30
# Se ordena la base de datos en funcin de la variable orden (base de datos con el orden original)
? dataset sortby orden
En este caso se acepta heterocedasticidad en grupos al 5%, dado que

p
TB
(T - p) ln 2 - ( T - 1) ln
i
2
i
TBC = p
i=1
6.33011 2p 1( ) 321( 0.05 ) 5.99146 , y para
FC

1
1+ [ ( T i - 1 )-1 - (T - p )-1 ]
3 (p - 1) i=1
cualquierniveldesignificacinsuperioral4.22%( p valor 0.0422118 ).
84
ESTIMADORESCONELMODELOTRANSFORMADO
Yt* 0 X 0*t 1 X 1*t 2 X 2*t ... K X kt* t*
donde:
Yt X it t
Yt* X it* i t*
St St St
# Se estima por MCO y se guardan los residuos y la desviacin tpica estimada de la perturbacin
? e = $uhat
? Sigma = $sigma
Se ha reemplazado el escalar Sigma = 0.629066
# Se calculan los residuos estandarizados al cuadrado

? r2 = (e/Sigma)^2
Se ha reemplazado la serie r2 (ID 10)

? ols r2 const X1 X2 --quiet
# Se toma el valor absoluto del regresando estimado para evitar varianzas estimadas negativas
? r2ea = abs($yhat)
Se ha reemplazado la serie r2ea (ID 11)

? ponde = 1/r2ea
Se ha reemplazado la serie ponde (ID 12)
# Clculo de las variables transformadas
Yt = Y/sqrt(r12hat2)
Se ha generado la serie Yt (ID 13)
X1t = X1/sqrt(r12hat2)
Se ha generado la serie X1t (ID 14)
X2t = X2/sqrt(r12hat2)
Se ha generado la serie X2t (ID 15)
X0t = const/sqrt(r12hat2)
Se ha generado la serie x0t (ID 16)
# Estimacin del modelo transformado

? ols Yt X0t X1t X2t

Variable dependiente: Yt

----------------------------------------------------------------
X0t 5.66791 1.12422 5.042 2.72e-05 ***
X1t 0.00357963 0.00108188 3.309 0.0027 ***
X2t 0.429201 0.0512644 8.372 5.54e-09 ***

F(3, 27) 5391.636 Valor p (de F) 1.33e-37
Observacin 1: el modelo transformado no tiene ordenada en el origen, an cuando el modelo

originallatenga.
HETEROCEDASTICIDAD
85
Observacin2:lasalidadelcomandoolsdelmodelotransformadonocoincideexactamenteconla
salida del comando wls, dado que en la primera todos los clculos estn referidos al modelo
transformado,mientrasqueenlasegundalamayoradelosclculosestnreferidosalmodelode
partida(variablesoriginales).
ESTIMADORESCONCORRECINDEHETEROCEDASTICIDAD
ElclculodeloqueGretldenominaestimadoresconcorreccindeheterocedasticidad54,implica
lassiguientesetapas:
1. EstimarelmodeloporMCO.
2. Estimar una regresin auxiliar55 para obtener estimadores de la varianza de la perturbacin
para cada observacin del modelo, donde la variable dependiente es el logaritmo de los
residuos MCO al cuadrado56 y las variables independientes son los regresores del modelo
originalysuscuadrados.
3. Obtener los estimadores de Mnimos Cuadrados Ponderados utilizando como variable de
ponderacinlainversadelavarianzaestimada57.
# Clculo de los estimadores con correccin de la heterocedasticidad
# Se estima por MCO y se generan el logaritmo de los residuos al cuadrado y el cuadrado de las
explicativas
? luhat2 = log($uhat^2)
Se ha generado la serie luhat2 (ID 8)
? X12 = X1^2
? X22 = X2^2

? ols luhat2 const X1 X2 X12 X22 --quiet
? luhat2e = $yhat
Se ha generado la serie luhat2e (ID 11)

? ponde = 1/exp(luhat2e)
Se ha generado la serie ponde1 (ID 12)
54
Losestimadoresobtenidoscoincidenconlosqueproporcionaelcomandohsk.
55
Laregresinauxiliardebeestarformuladaconordenadaenelorigen.
56
Latransformacinlogartmicadeloscuadradosdelosresiduosaseguraquelosestimadoresdelavarianzaseanno
negativos.
57
Si se denomina u* a la variable que contiene los valores estimados con la regresin auxiliar, la variable de
ponderacin a utilizar ser 1/exp(u*), ya que la variable dependiente de la regresin auxiliar est en trminos
logartmicos.
86
# Se realiza la estimacin Mnimo Cuadrtica Ponderada con el comando wls
? wls ponde Y const X1 X2
Modelo 8: MC.Ponderados, usando las observaciones 1-30

Variable utilizada como ponderacin: ponde

----------------------------------------------------------------
const 5.57521 1.26298 4.414 0.0001 ***
X1 0.00376206 0.00118623 3.171 0.0038 ***
X2 0.423242 0.0569151 7.436 5.33e-08 ***

F(2, 27) 59.06813 Valor p (de F) 1.38e-10

ESTIMADORESROBUSTOS
e12 0 0 ... 0

0 e22 0 ... 0
58 V (b) ( X ' X ) 1 X 'VX ( X ' X ) 1
Paracalcular seutiliza V 0
0 e32 ... 0

... ... ... . ...
0 ... 0 eT2
0
? Modelo 6 <- ols C const RF TF --quiet
# Se genera el cuadrado de los residuos

? e2 = $uhat^2
# Se genera la matriz de diseo

? X = {const, RF, TF}
Se ha generado la matriz X
# Se genera la matriz V estimada

? V = I($T).*e2
Se ha generado la matriz omega
? print V
omega (30 x 30)
0.35872 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
58
Los errores estndar robustos a la heterocedasticidad habitualmente se atribuyen a White por ser uno de los
primerosentratar eltema.Noobstante,existen modificacionesposteriores,todas con una justificacin asinttica y
asintticamente equivalentes, por lo que ninguna es preferible a las dems. Por regla general, se usa la forma que
calculaelprogramaderegresinqueseestutilizando(Gretlpermitevariasopciones,peropordefectoutilizalaHC0).
HETEROCEDASTICIDAD
87
0.0000 0.20764 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
.............
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000 0.0000 2.2584
# Se genera la matriz robusta estimada

? Vbrobusta = inv(X'X) * (X'V*X) * inv(X'X)
Se ha generado la matriz Vbrobusta
# Se genera la raz cuadrada de la diagonal principal de la matriz robusta estimada

? Sbrobusta = sqrt(diag(Vbrobusta))
Se ha generado la matriz Sbrobusta
? print Sbrobusta
Sbrobusta (3 x 1)
1.6766
0.0016470
0.064479
88
AUTOCORRELACIN
INTRODUCCIN
UnadelashiptesisdecomportamientodelMRLNCesquelasperturbacionesestnincorreladas.
Setratadeunahiptesismuyrestrictivay,enalgunoscasospocorealista,sobretodo,sisetrabaja
condatostemporales.
SiseignoralaautocorrelacinyseestimaelmodeloporMCO,losestimadoresobtenidosnosern
los de menor varianza entre todos los estimadores lineales e insesgados de los parmetros, de
hecho,elverdaderovalordesusvarianzasestarsubestimado.
En este captulo se analizarn diversos mtodos para la deteccin de problemas de

autocorrelacin59.Adems,severndiferentesalternativasparalaobtencindeestimadorescon
buenaspropiedadesyseabordarlaprediccinenunmodeloconautocorrelacin.
DETECCINDEAUTOCORRELACIN
El primer paso para la deteccin de autocorrelacin es la estimacin del modelo por MCO y la
datos4.gdt61:
# Con las 20 primeras observaciones se har la estimacin del modelo
? smpl 1 20
Muestra actual: 1987 - 2006 (n = 20)

? ols Y const X1 X2
Modelo 1: MCO, usando las observaciones 1987-2006 (T = 20)


-----------------------------------------------------------------
const 10.5084 0.918251 11.44 2.07e-09 ***
X1 -3.63784 0.283009 -12.85 3.49e-010 ***
X2 0.00863970 0.000548136 15.76 1.41e-011 ***

F(2, 17) 211.9857 Valor p (de F) 9.58e-13
59
Se dedicar la mayor parte del captulo a la autocorrelacin de primer orden, que es la ms habitual cuando los
datossonanuales.
60
61
Elficherodatos4.gdtcontieneinformacinanualrelativaaunafamiliaparalasvariables:consumofamiliarmensual
mediodeaceitedeolivaenlitros(Y),preciomediodecompradelaceitedeolivaeneuros/litro(X1),ingresosfamiliares
mensuales medios en euros (X2). Con las 20 primeras observaciones se har la estimacin y con las 4 ltimas la
prediccin.
90
rho 0.453798 Durbin-Watson 1.082606

? e = $uhat
Observacin:Cuandosetrabajacondatostemporales,enlasalidadelcomandoolssemuestrael
estimador del coeficiente de autocorrelacin de primer orden ( ) y el estadstico de Durbin
Watson( dw ).
MTODOGRFICO
GRFICODELOSRESIDUOSFRENTEALTIEMPO
Porsusimplicidad,elgrficotemporaldelosresiduosesunaherramientaquepuederesultartil
paradetectarlapresenciadeautocorrelacindeprimerorden:
Silosresiduossedistribuyenaleatoriamenteporencimay
pordebajodesumedia(cerosielmodeloincluyetrmino
constante), puede ser un indicio de la ausencia de
autocorrelacin.
Siseobservanrachasde
residuos por debajo de
la media (residuos
negativos)seguidasderachasderesiduosporencimadela
media (residuos positivos), puede ser un indicio de
autocorrelacinpositiva(movimientosondulares).
Si se observan cambios sistemticos en el signo de los
residuos,puedeserunindiciodeautocorrelacinnegativa(dientesdesierra).
GRFICODELOSRESIDUOSFRENTEALOSRESIDUOSRETARDADOSUNPERODO
Tambin puede resultar de utilidad el grfico de dispersin centrado en el punto (0,0) de los
erroresfrentealoserroresretardadosunperodo,quepermiteanalizarsidichosresiduoscrecen
o decrecen de manera montona, haciendo sospechar autocorrelacin positiva o negativa
respectivamente:
Silosresiduoscrecenmontonamente(losvaloressiguenuna
trayectoriadesdeelcuadranteinferiorizquierdoalcuadrante
superior derecho marcando un claro ascenso en diagonal,
puedeserunindiciodeautocorrelacinpositiva.

Si los residuos decrecen
montonamente(losvaloressiguenunatrayectoriadesdeel
cuadrante superior izquierdo al cuadrante inferior derecho
marcando un claro descenso en diagonal, puede ser un
indiciodeautocorrelacinnegativa.
AUTOCORRELACIN
91
TESTSESTADSTICOS
Lamayoradelostestsparadetectarlapresenciadeautocorrelacinestnbasadosenelanlisis
delosresiduosMCO.
Se puede distinguir entre tests paramtricos (dw de DurbinWatson, v de Von Neumann, h de

Durbin, d4 de Wallis, entre otros) y tests no paramtricos (test de rachas, entre otros). Los
primeros requieren hiptesis sobre la distribucin de las perturbaciones62, mientras que los
segundosnoexigenningnsupuestosobredichadistribucin.
Todosestostestscontrastanlahiptesisnuladeincorrelacinfrentealahiptesisalternativade
autocorrelacin. Estos contrastes sugieren el orden de la autocorrelacin cuando se rechaza la
hiptesis nula, por lo que la transformacin de variables necesaria para estimar el modelo por
MCGesinmediata.
ESTADSTICODEDURBINWATSON
H 0 : Incorrelacin ( 0)

H1 : Autocorrelacin de primer orden ( 0)
donde eselcoeficientedecorrelacindeprimerorden63
ParacalcularelestadsticodeDurbinWatsonesnecesarioestimarelmodeloporMCOycalcular
losresiduos:
T
( e - e t t -1 )2
dw = t=2
T

t=1
et2
Dadountamaomuestral(T),unnmerodevariablesexplicativas(K)yunniveldesignificacin
(),lastablasdeDurbinyWatsonproporcionandosvalores,lacotainferior( d i )ylacotasuperior
( d s ):
. Si0<dw<dI >0
62
Bajolahiptesisdehomocedasticidadynormalidaddelasperturbaciones.
T
e e
t 2
t t 1
63
T

t 2
et21
92
Seaceptalaexistenciadeautocorrelacindeprimerordenpositiva
. SidI<dw<dsIncertidumbre
Se debe recurrir a otros estadsticos para la deteccin de autocorrelacin de primer

orden(nosepuedeaceptarnirechazarlahiptesisnula)
. Sids<dw<4ds =0
Serechazalaexistenciadeautocorrelacindeprimerorden
. Si4ds<dw<4dIIncertidumbre
Se debe recurrir a otros estadsticos para la deteccin de autocorrelacin de primer

orden(nosepuedeaceptarnirechazarlahiptesisnula)
. Si4dI<dw<4 <0
Seaceptalaexistenciadeautocorrelacindeprimerordennegativa

El estadstico de DurbinWatson mantiene con el estimador del coeficiente de correlacin de
primerordenunarelacinaproximada: dw 2(1 - )
Porlotanto:
. Si 0 dw 2(1 - ) dw 2(1 - 0 ) dw 2
Noexistenciadeautocorrelacindeprimerorden
. Si 1 dw 2(1 - ) dw 2(1 - 1 ) dw 0
Existenciadeautocorrelacindeprimerordenpositiva
. Si 1 dw 2(1 - ) dw 2 [1 - (1)] dw 4
Existenciadeautocorrelacindeprimerordennegativa
AUTOCORRELACIN
93
ParapoderaplicarelestadsticodeDurbinWatson,eltamaomuestraldebeserpequeo(T<60),
el modelo debe ser lineal y no autorregresivo, estar formulado con ordenada en el origen y ser
posiblelaautocorrelacindeprimerorden.
SobreelestadsticodeDurbinWatson,sepuedenhacerlassiguientesobservaciones:
1) Laexistenciadezonasdeincertidumbreimplicatenerqueacudiraotrosestadsticos,comola
razndeVonNeumann.
2)Lascotassuperioreinferiorsehanobtenidobajoelsupuestodequehayuntrminoconstante
enelmodeloynosonvlidasenmodelosformuladossinordenadaenelorigen.
3) Lascotassuperioreinferiorsehanobtenidobajoelsupuestodequelasvariablesexplicativas
son deterministas y no son vlidas en modelos autorregresivos64, lo que implica acudir al
estadsticohdeDurbin.
4) WallishallevadoacabounaextensindelcontrastedeDurbinWatsonparalaautocorrelacin
decuartoorden,denominadoestadsticod4deWallis.
5) El estadstico de DurbinWatson verifica la significacin de un slo coeficiente de
autocorrelacin,siendodeseableuntestmsgeneraldesignificacinconjuntadelasprimeras
pautocorrelacionesdelosresiduos,loqueimplicaacudiralcontrastedeBreuschyGodfrey.
RAZNDEVONNEUMANN
Unadelasdificultadesdelcontraste deDurbinWatsoneslaexistenciadezonasdeincertidumbre,
en las que no se puede llegar a ninguna conclusin respecto a la existencia o no de
autocorrelacindeprimerorden.EnestoscasospodrautilizarselarazndeVonNeumann.

ParacalcularlarazndeVonNeumann65esnecesarioestimarelmodeloporMCOycalcularlos
residuos:
T
( e - e
t= 2
t t -1 )2
T 2T 4 T 2 (T - 2)
v= T -1
T
= T -1
dw
sd
N(E(v), v2 ) N , 3

T - 1 (T + 1)(T - 1 )
e
t =1
2
t
64
EnmodelosautorregresivoselestadsticodeDurbinWatsonsloesapropiadopararechazarlahiptesisnula,pero
noparaaceptarla.
65
Esteestadsticoenmuestrasgrandes(T>60)ybajolahiptesisdeincorrelacin,sedistribuyecomounanormal.
94
Tipificando:
v - E(v)
zv =
sd
N(0,1)
v
Siseutilizanlosvalorescrticosdeladistribucinnormalreducida,serechazalahiptesisnulade
incorrelacinalniveldesignificacindel5%si zv z / 2 1.96
Tambin se puede utilizar este estadstico para realizar contrastes de una cola y diagnosticar
autocorrelacindeprimerordennegativaopositiva:
Elcontrastepropuestoparalacolaizquierdaes:

H1 : Autocorrelacin de primer orden negativa ( 0)
Paraunniveldesignificacindel5%serechalahiptesisdeincorrelacinyseaceptaqueexiste
autocorrelacindeprimerordennegativasi z < - z = - 1.64
Elcontrastepropuestoparalacoladerechaes:

H1 : Autocorrelacin de primer orden positiva ( 0)
autocorrelacindeprimerordenpositivasi z < z = 1.64
Enmuestraspequeas(T<60)puedeutilizarselarazndeVonNeumanncomounaaproximacin,
efectuandoelcontrasteconlosvalorescrticosdelastablasdeHart.
Dadountamaomuestral(T)yunniveldesignificacin(),lastablasdeHartproporcionandos
valores,lacotainferior( C I )ylacotasuperior( C S ):
. Si C I <v< C S =0
Serechazalaexistenciadeautocorrelacindeprimerorden
. Siv< C I >0
Seaceptalaexistenciadeautocorrelacindeprimerordenpositiva
. Siv> C S <0
Seaceptalaexistenciadeautocorrelacindeprimerordennegativa
AUTOCORRELACIN
95
ESTADSTICOhDEDURBIN
Las cotas superior e inferior para el estadstico de DurbinWatson se han obtenido bajo el
supuesto de que las variables explicativas son deterministas. Por tanto, este estadstico no es
adecuado para modelos autorregresivos66 (modelos con variables endgenas retardadas como
explicativas). Durbin ha desarrollado un contraste especficamente adaptado para este tipo de
modelos, el estadstico h de Durbin, cuya mayor limitacin es estar concebido para muestras
grandes, pero que por su facilidad de clculo se emplea ampliamente en la prctica
economtrica67:
T
h = 2

sd
N(0,1)
1 - T S bK
donde S b2K eslavarianzaestimadadelestimadordelparmetroqueacompaaalavariable

endgenaretardadaunperodo68.

Siseutilizanlosvalorescrticosdeladistribucinnormalreducida69,serechazalahiptesisnula
deincorrelacinalniveldesignificacindel5%si h z / 2 1.96
66
EnmodelosautorregresivoselestadsticodeDurbinWatsonsloesapropiadopararechazarlahiptesisnulade
incorrelacin,peronoparasuaceptacin,yaqueenestetipodemodeloslaestimacindelcoeficientedecorrelacin
de primer orden est sesgada (en el sentido de disminuir su valor absoluto) y ello facilita la aceptacin de no
autocorrelacin.
67
El estadstico h de Durbin est concebido para muestras grandes, pero tambin puede aplicarse a muestras
pequeas(podrautilizarseparaT>30),aunquetendraunascaractersticasypropiedadesespeciales.
68
Aunqueesteestimadorsersesgadosiseconfirmaautocorrelacin,sirveparaefectuarelcontraste.
69
Bajolahiptesisnuladeincorrelacin,elestadsticohdeDurbinsedistribuyecomounanormalreducida,cuandoel
tamaomuestraltiendeainfinito.
96
Tambin se puede utilizar este estadstico para realizar contrastes de una cola y diagnosticar
autocorrelacindeprimerordennegativaopositiva:
Elcontrastepropuestoparalacolaizquierdaes:

H1 : Autocorrelacin de primer orden negativa ( 0)
autocorrelacindeprimerordennegativasi h < - z = - 1.64
Elcontrastepropuestoparalacoladerechaes:

H1 : Autocorrelacin de primer orden positiva ( 0)
autocorrelacindeprimerordenpositivasi h < z = 1.64
ESTADSTICOd 4 DEWALLIS
Elestadsticod4deWallisesunaextensindelcontrastedeDurbinWatsonysujustificacinest
enlautilizacindedatostrimestralesenlaestimacindelmodelo,encuyocasopuederesultar
msprobableunacorrelacinserialentretrimestresigualesdeaossucesivos.
H 0 : Incorrelacin ( 4 0)

H1 : Autocorrelacin de cuarto orden ( 4 0)
donde 4 eselcoeficientedecorrelacindecuartoorden70
PararealizarelcontrastedeWallisesnecesarioestimarelmodeloporMCO,calcularlosresiduosy
calcularelestadsticod4deWallis:
T
( e - e t t -4 )2
d4 =
t=5
T

e
t=1
2
t
e e
t 5
t t 4
70
4 T

t 5
et2 4
AUTOCORRELACIN
97
Dadountamaomuestral(T),unnmerodevariablesexplicativas(K)yunniveldesignificacin
(),lastablasdeWallis( =5%)olastablasdeGilesyKing( =1%)proporcionandosvalores,la
cotainferior( d 4I )ylacotasuperior( d 4S ):
.Si 0 < d 4 < d 4I 4 >0
Seaceptalaexistenciadeautocorrelacindecuartoordenpositiva
.Si d 4I < d 4 < d 4S Incertidumbre
Sedeberecurriraotrosestadsticosparaladeteccindeautocorrelacin(nosepuede
aceptarnirechazarlahiptesisnula)
.Si d 4S < d 4 < 4 - d 4S 4 =0
Serechazalaexistenciadeautocorrelacindecuartoorden
.Si 4 - d 4S < d 4 < 4 - d 4I Incertidumbre
Sedeberecurriraotrosestadsticosparaladeteccindeautocorrelacin(nosepuede
aceptarnirechazarlahiptesisnula)
.Si 4 - d 4I < d 4 < 4 4 <0
Seaceptalaexistenciadeautocorrelacindecuartoordennegativa
98
ESTADSTICOSDEBOXPIERCELJUNG
ElestadsticodeBoxPierceLjungpermitecontrastarunmodeloautorregresivodeordenJcomo
hiptesisalternativa71:
H 0 : 1 2 ... J 0

H1 : alguno o todos 0
T j
1
QJ T (T 2) 2
j
sd
J2 J 1,2,...
j 1
donde j es el coeficiente de autocorrelacin de orden j y J el orden del proceso

autorregresivoquesecontrasta.
ESTADSTICODEBOXPIERCE
El estadstico de BoxPierce permite contrastar un modelo autorregresivo de orden p como
hiptesisalternativa:
H 0 : 1 2 ... p 0

p
LM = T
j =1
2
j
sd
2p
donde j es el coeficiente de autocorrelacin de orden j72 y p el orden del proceso

CONTRASTEDEBREUSCHYGODFREY
El contraste de Breusch y Godfrey es un test de significacin conjunta para las p primeras
autocorrelacionesdelosresiduos.
H 0 : No existe autocorrelacin

H1 : Existe autocorrelacin de orden p
71
Losprocedimientosconsideradoshastaahoraverificanlasignificacindeunslocoeficientedeautocorrelacin.
T
e e
t j 1
t t j
72
j T
j 1,2,..., p
t 1
et2
AUTOCORRELACIN
99
PararealizarelcontrastedeBreuschyGodfrey73esnecesarioestimarelmodeloporMCO,calcular
los residuos, formular la regresin auxiliar de los residuos frente a las variables explicativas y p
retardos de los mismos y calcular el coeficiente de determinacin de dicha regresin
( et2 0 1 X 1t 2 X 2t ... K X Kt 1et 1 2 et 2 ... p et p ut ).
LM TR 2
sd
2p p nderetardosdelosresiduos
Si LM 2p ( ) alniveldesignificacin seaceptalahiptesisnuladeincorrelacin
Si la hiptesis de incorrelacin escierta,el coeficiente de determinacin de la regresin auxiliar

deberatenderaceroyaquelosresiduossonortogonalesalasvariablesexplicativasynoestarn
explicadosporsusretardos.
SobreelcontrastedeBreuschyGodfreysepuedenhacerlassiguientesobservaciones:
1) Es un contraste ms general que el de DurbinWatson ya que la hiptesis alternativa es la

existenciadeunprocesoautorregresivosdeorden p 1 .
2) AdiferenciadelcontrastedeDurbinWatsonpuedeutilizarseenmodelosautorregresivos.
3) Esuncontrasteasinttico,porloqueesvlidoparamuestrasgrandes.
4) Laeleccindelnmeroderetardosesunadecisinimportante:unppequeopuedenocaptar
autocorrelacionessignificativasdemayorordenyunpgrandepuedeinfluirnegativamenteen
lapotenciadelcontraste.
TESTDERACHAS
El test de rachas es una prueba no paramtrica que analiza la serie de los residuos para
determinar si su distribucin es aleatoria o sigue algn patrn de comportamiento. Para ello se
haceunrecuentodelnmeroderachasonmerodevecesquelosresiduoscambiandesigno.
Laexistenciademuchasrachasimplicaquelosresiduoscambianmuchodesigno,loquepuede
hacersospecharcorrelacinserialnegativa.Porelcontrario,laexistenciadepocasrachasimplica
quelosresiduoscambianpocodesigno,loquepuedehacersospecharcorrelacinserialpositiva.
Si la muestra es suficientemente grande74, bajo la hiptesisnula de aleatoriedad, la distribucin

muestraldelnmeroderachaspuedeaproximarsemedianteunadistribucinnormal:
73
Elmodelopuedeincluircomoexplicativasretardosdelaendgenasinquecambienlaspropiedadesdelcontraste.
74
Si N1 10 y N 2 10 seutilizaunaaproximacinnormalparaelnmeroderachas,perosi N1 10 y N 2 10 ,el
test de rachas aproximado se calcula con el factor de correccin c y se utilizan las tablas exactas de Sweed y
Hasenhart:
100
N E ( R ), R2 N
2 N1 N 2 2 N1 N 2 (2 N1 N 2 N1 N 2 )
R
sd
1,
N
1 N 2 ( N1 N 2 ) 2 ( N1 N 2 1)
donde R es el nmero de rachas, N1 el nmero de residuos positivos y N 2 el nmero de

residuosnegativos.
Tipificandoseconsideraelestadstico:
R E ( R)
zR
sd
N 0,1
R
Siseutilizanlosvalorescrticosdeladistribucinnormalreducida,serechazalahiptesisnulade
aleatoriedadalniveldesignificacindel5%si z R z / 2 1.96
COMANDOSPARALADETECCINDEAUTOCORRELACIN
COMANDOgnuplot
Elformatodelcomandognuplot75paraobtenerungrficotemporaldeunavariablees:
gnuplotvariableejeverticaltimeserieswithlines
Cuando se ejecuta el comando gnuplot con las opciones timeseries withlines, Gretl
proporcionaungrficodondeserepresentanenelejeverticallavariableproporcionadayenel
ejehorizontaleltiempo,uniendolospuntosconunalnea.
Enestecaso,siserepresentanlosresiduosfrentealtiempo,seobservaqueestosapenascambian
designo,loquesugiereunaposibleautocorrelacinpositiva.
? gnuplot e --time-series --with-lines
R E ( R) c
z
R
donde c 0.5 sihaypocasrachas R E (R) y c 0.5 sihaymuchasrachas R E ( R ) .
75
OtraformadeaccederaestegrficoseraenlaVentanaPrincipalyenelmenVerseleccionarGrficosyelegir
Grficodeseriestemporalesyenlaventanaemergenteseleccionarlasvariables.
AUTOCORRELACIN
101

eje vertical las variables proporcionadas en primer lugar y en el eje horizontal la ltima de las
Enestecaso,siserepresentanlosresiduosfrentealosresiduosretardadosunperodo,seobserva
quelosvaloressiguenunatrayectoriaquevadesdeelcuadroinferiorizquierdoalcuadrosuperior
derecho marcando un claro ascenso en diagonal (los residuos crecen montonamente), lo que
puedeserunindiciodeautocorrelacinpositiva.
? er1 = e(-1)
? gnuplot e er1
76
102
e con respecto a er1 (con ajuste mnimo-cuadrtico)

0.4
Y = 0.000531 + 0.454X
0.2
-0.2
e
-0.4
-0.6
-0.8
-0.6 -0.4 -0.2 0 0.2
er1

COMANDO ols: ESTIMADOR DEL COEFICIENTE DE CORRELACIN DE

PRIMERORDENYESTADSTICODEDURBINWATSON
Elformatodelcomandools77es:
olsdepvarindepvarsopciones
77
OtraformadeaccederaestainformacinesenlaVentanaPrincipal,seleccionarMnimoscuadradosordinariosen
elmenModelo.
AUTOCORRELACIN
103
Cuando se trabaja con datos temporales, con el comando ols Gretl proporciona adems de su
T

e e
t 2
t t 1

salidaestndar,elestimadordelcoeficientedeautocorrelacindeprimerorden T y

e
t 2
2
t 1

T

(et et 1 ) 2

elestadsticodeDurbinWatson dw t 2 T .

2
et
t 1
? ols Y const X1 X2 XK
rho Durbin-Watson dw
La variable temporal $rho recoge el valor del estimador del coeficiente de autocorrelacin de
primerordenylavariabletemporal$dwpvalrecogeelpvalordeuncontrasteconhiptesisnula
deincorrelacinfrenteaautocorrelacindeprimerordenpositiva.
En este caso se acepta autocorrelacin positiva de primer orden para cualquier nivel de
significacinmayoral1,06%( p valor 0.01657 )yserechazaencasocontrario.
? ols Y const X1 X2


-----------------------------------------------------------------
const 10.5084 0.918251 11.44 2.07e-09 ***
X1 -3.63784 0.283009 -12.85 3.49e-010 ***
X2 0.00863970 0.000548136 15.76 1.41e-011 ***

F(2, 17) 211.9857 Valor p (de F) 9.58e-13
? dwpvalor=$dwpval
Se ha generado el escalar dwpvalor = 0.010657
COMANDOruns:TESTDERACHAS
Gretl proporciona la posibilidad de realizar la prueba no paramtrica del estadstico de rachas.
Esta prueba analiza la serie de los errores de estimacin, calculando el nmero de rachas o
nmero de veces que los residuos cambian de signo. Si hay muchas rachas quiere decir que los
residuos cambian mucho de signo y ello puede indicar una correlacin serial negativa. Por el
contrario,laexistenciadepocasrachaspuedesugerirautocorrelacinpositiva.
104
Para el anlisis de autocorrelacin con el comando runs78 ser necesario estimar el modelo por
MCOyguardarlosresiduos:
runsresiduosMCO
Lasalidaestndardelcomandorunses:
? runs residuos
Contraste de rachas (niveles)
Nmero de rachas (R) en la variable ' residuos ' = R
Bajo la hiptesis nula de independencia, R sigue una distribucin
N E ( R), R2
valor z R , con valor p a dos colas pvz R
DondeReselnmeroderachas79(nmerodevecesquelosresiduoscambiandesigno).
Enestecaso80seaceptarlahiptesisnuladeindependencia(incorrelacin)al5%yparacualquier
niveldesignificacinmenoroigualal44.27%( p valor 0.442749 )yseaceptarautocorrelacin
deprimerordenparacualquierniveldesignificacinsuperior81.
? runs e
Contraste de rachas (niveles)
Nmero de rachas (R) en la variable 'E' = 9
Bajo la hiptesis nula de independencia, R sigue una distribucin N(10.6, 2.08453)
valor z = -0.767559, con valor p a dos colas 0.442749
COMANDO modtest: CONTRASTE DE BREUSCH Y GODFREY Y ESTADSTICO

DELJUNGBOX
Elcomandomodtestdebeirprecedidoporuncomandools(paracalcularlostestsdecorrelacin,
GretlutilizalosresiduosdelaltimaestimacinMCOrealizada).
Elformatodelcomandomodtest82paracontrastarlaautocorrelacines:
modtestautocorrordendelaautocorrelacin
78
Otra forma de acceder a esta informacin es en la Ventana Principal, en el men Herramientas seleccionar
ContrastesnoparamtricosyacontinuacinContrastederachaseindicarelnombredelavariableenlaquesehan
guardadolosresiduosMCO.
79
Dadoelcarcterasintticodeestaprueba,enmuestraspequeas,lainterpretacindelresultadodebehacersecon
cautela.
80
Enestecaso,hay9rachasybajolahiptesisnuladeindependencia,elnmeroderachassigueunadistribucin
normaldemedia10.6ydesviacinestndar2.08453.
81
Enestecaso,eltamaomuestralespequeo,porloquenoseraaconsejableutilizarestecontraste.
82
Otra forma de acceder a esta informacin es en la Ventana Modelo, seleccionar Autocorrelacin en el men
Contrasteseindicarelordendeautocorrelacinquesedeseecontrastar.
AUTOCORRELACIN
105
La salida estndar del comando modtest para contrastar una estructura de autocorrelacin de
ordenJ,es:
? modtest --autocorr J
Contraste Breusch-Godfrey de autocorrelacin hasta el orden J

MCO, usando las observaciones primera observacin ltima observacin (T = T)
Variable dependiente: uhat (et residuos MCO)

-----------------------------------------------------------------
const b0 Sb0 t0 pvt 0
X1 b1 Sb1 t1 pvt1
XK bK SbK tK pvt K
uhat_1(et-1) bet 1 S et 1 tet 1 pvt et 1
uhat_J (et-J) bet J S et J t et J pvtet J
R-cuadrado = R2
R 2Mauxiliar R 2Moriginal
Estadstico de contraste: LMF = F3 J s

.d .
F (J ,T K 1 J )
1 R 2Mauxiliar
T K 1 J
con valor p = P(F(J,T-K-1-J) > F3 ) = pvF3
Estadstico alternativo: TR^2 = LM TR 2Mauxiliar s

.d .
2 (J )
con valor p = P(Chi-cuadrado(J) > LM ) = pvLM
T J
1
Ljung-Box Q' = QJ T (T 2) 2
J s

.d .
2 (J )
J 1
con valor p = P(Chi-cuadrado(J) > QJ ) = pvQJ
Enestasalida,GretlproporcionalaestimacinMCOdelmodeloauxiliar,elcontrastedeBreuschy
Godfrey en sus dos versiones (la basada en la distribucin chi cuadrado y la basada en la F de
Snedecor),elestadsticoQdeLjungBoxparaelordendeautocorrelacinJelegido,acompaados
desuspvalores.
ANLISISDEAUTOCORRELACINDEORDENUNO
? modtest --autocorr 1
Contraste Breusch-Godfrey de autocorrelacin de primer orden

MCO, usando las observaciones 1987-2006 (T = 20)
Variable dependiente: uhat

----------------------------------------------------------------
106
const 0.555172 0.856588 0.6481 0.5261
X1 0.0114489 0.253248 0.04521 0.9645
X2 0.000499627 0.000536788 0.9308 0.3658
uhat_1 0.543760 0.237574 2.289 0.0360 **
R-cuadrado = 0.246656
Estadstico de contraste: LMF = 5.238644,

con valor p = P(F(1,16) > 5.23864) = 0.036
Estadstico alternativo: TR^2 = 4.933125,

Ljung-Box Q' = 4.76506,

De acuerdo con la versin F83 del estadstico de BreuschGodfrey se acepta autocorrelacin de

primerordenal5%yparacualquierniveldesignificacinmayorqueel3.6%( p valor 0.036 ).
De acuerdo con la versin LM del estadstico de BreuschGodfrey se acepta autocorrelacin de

primerordenal5%yparacualquierniveldesignificacinmayorqueel2.6%( p valor 0.0263 ).
DeacuerdoconelestadsticoQ'deLjungBoxseaceptaautocorrelacindeprimerordenal5%y
paracualquierniveldesignificacinmayorqueel2.9%( p valor 0.029 ).
ANLISISDEAUTOCORRELACINDEORDENCUATRO
? modtest --autocorr 4
Contraste Breusch-Godfrey de autocorrelacin hasta el orden 4

MCO, usando las observaciones 1987-2006 (T = 20)
Variable dependiente: uhat

----------------------------------------------------------------
const 0.906843 0.908132 0.9986 0.3362
X1 0.115411 0.264513 0.4363 0.6698
X2 0.000565306 0.000563156 1.004 0.3338
uhat_1 0.495870 0.264399 1.875 0.0834 *
uhat_2 0.348794 0.287986 1.211 0.2474
uhat_3 0.0428802 0.281997 0.1521 0.8815
83
LaversinFdelestadsticodeBreuschGodfreysecorrespondeconelcontrastedenulidadindividualdelparmetro
queacompaaalprimerretardodelosresiduos(seestcontrastandoautocorrelacindeprimerordenenlaregresin
auxiliar):
? ols E const X1 X2 ER1 --quiet
? restrict --quiet
? b[4]=0
? end restrict
Restriccin:
b[ER1] = 0
Adems,comoenelcontrasteintervieneunanicarestriccin,elvalordeesteestadsticoFsepodracalcularcomoel
cuadradodelestadsticotcorrespondiente: F3 tuhat _ 1 t et 1 ,enestecaso, F3 2.289 5.23
2 2 2
AUTOCORRELACIN
107
uhat_4 0.508972 0.356853 1.426 0.1774
R-cuadrado = 0.401317
Estadstico de contraste: LMF = 2.178581,

con valor p = P(F(4,13) > 2.17858) = 0.129
Estadstico alternativo: TR^2 = 8.026337,

Ljung-Box Q' = 9.20364,

De acuerdo con la versin F84 del estadstico de BreuschGodfrey se acepta autocorrelacin de

cuartoordenparacualquierniveldesignificacinmayorqueel12.9%( p valor 0.129 ).
De acuerdo con la versin LM del estadstico de BreuschGodfrey se acepta autocorrelacin de

cuartoordenparacualquierniveldesignificacinmayorqueel9.06%( p valor 0.0906 ).
De acuerdo con el estadstico Q' de LjungBox se acepta autocorrelacin de cuarto orden para
cualquierdesignificacinmayorqueel5.62%( p valor 0.0562 ).
SOLUCIONESALAAUTOCORRELACINPARAUNAR(1)
Uno de los problemas que presenta un modelo en el que se ha detectado autocorrelacin es la
imposibilidaddeutilizarlosestadsticost,FyLMpararealizarinferencia,alnopodergarantizarlas
distribucionesdedichosestadsticos.Noobstante,existenprocedimientosdeestimacinrobustos
que en muestras grandes permiten ajustar los errores estndar y los estadsticos t, F y LM
garantizandosuvalidezenpresenciadeautocorrelacinypermitiendorealizarinferencia.
Como los contrastes de hiptesis son necesarios en cualquier estudio economtrico, se debe
decidirsiseguirutilizandolosestimadoresMCOobuscarestimadoresalternativos:
Enmuestrasgrandessepuedenobtenerestimadoresrobustosdelasvarianzas,loquepermite
seguirutilizandolosestadsticospararealizarinferencia,almenosasintticamente.
84
La versin F del estadstico de BreuschGodfrey se corresponde con el contraste de nulidad conjunta de los
parmetros que acompaan a las variables correspondientes al primer, segundo, tercer y cuarto retardo de los
residuos(seestcontrastandoautocorrelacindecuartoordenenlaregresinauxiliar).
? restrict --quiet
? b[4]=0
? b[5]=0
? b[6]=0
? b[7]=0
? end restrict
Conjunto de restricciones
1: b[ER1] = 0
2: b[ER2] = 0
3: b[ER3] = 0
4: b[ER4] = 0
108
EnmuestraspequeassepuedenobtenerlosestimadoresdeMCG(loquerequiereconocerel
ordendelaautocorrelacin),estimadoresLIOymseficientesquelosdeMCO.
ESTIMACINMNIMOCUADRTICAGENERALIZADA
ParalaobtencindelosestimadoresdeMnimosCuadradosGeneralizados(MCG)seranecesario
conocer el coeficiente de autocorrelacin de primer orden, situacin que se da con muy poca
frecuencia.Denoseras,altrabajarconelestimadordeenvezdeconsuverdaderovalor,slo
es posible obtener los estimadores de Mnimos Cuadrados Generalizados Factibles (MCGF). Al
utilizar el valor estimado de puede ocurrir que en el modelo transformado siga existiendo
autocorrelacin, por ello, se suele optar por un proceso iterativo en el que en cada fase se
obtengaunanuevaestimacinde,queserutilizadaparatransformarnuevamenteelmodelo.
ParaobtenerlosestimadoresdeMCGFparaunAR(1)seutilizaelcomandoar185,cuyoformatoes:
ar1YconstX1X2XKopciones
Algunasdelasopcionesdisponiblesson:
pweutilizaparalaestimacinlamatrizdePraissWinsten
hiluutilizaparalaestimacinelmtododebsquedafinadeHildrethLu
vcvpermitevisualizarlamatrizdevarianzascovarianzasestimadadelosestimadores
Cuando el comando ar1 se ejecuta sin opciones, Gretl utiliza para la estimacin el mtodo de
CochraneOrcutt.
MNIMOSCUADRADOSGENERALIZADOSFACTIBLESCONPRAISSWINSTEN
1 - 2 0
0 0 ... 0 0
- 1 0 ... 0 0 0

T1 = 0 - 1 ... 0 0 0
... ... ... ... ... ... ...

0 0 0 ... - 1 0

0 0 0 ... 0 - 1 TxT
? ar1 Y const X1 X2 --pwe
Realizando el clculo iterativo de rho...
ITERACIN RHO SCR

1 0.45380 0.987619
2 0.54397 0.973914
3 0.55196 0.973691
4 0.55255 0.973681
5 0.55259 0.973680
6 0.55260 0.973680
85
Otra forma de acceder a esta informacin sera seleccionar AR(1) en el submen Series temporales del men
ModelodelaVentanaPrincipal.
AUTOCORRELACIN
109
7 0.55260 0.973680
Modelo 35: Prais-Winsten, usando las observaciones 1987-2006 (T = 20)

rho = 0.552597

-----------------------------------------------------------------
const 11.3694 0.699308 16.26 8.57e-012 ***
X1 3.79154 0.220623 17.19 3.51e-012 ***
X2 0.00818654 0.000450495 18.17 1.42e-012 ***
Estadsticos basados en los datos rho-diferenciados:

F(2, 17) 451.9755 Valor p (de F) 1.83e-15
En el mbito del modelo transformado no tiene sentido, ni econmico ni estadstico, hacer una
interpretacin de los coeficientes ya que la nica finalidad de las iteraciones es obtener
estimadoresqueseparezcancadavezmsalosparmetros,porloquecualquierinterpretacin
sedeberealizarincorporandoestosvaloresalmodelodepartida.Porestarazn,Gretlrecuerda
queexistenunaseriedeestadsticosquehansidocalculadosconlasvariablesoriginalesyotros
conlasvariablestransformadas.
Observacin: el coeficiente de determinacin ya no est acotado y no tiene la interpretacin

habitual.
MNIMOSCUADRADOSGENERALIZADOSFACTIBLESCONCOCHRANEORCUTT
- 1 0 ... 00

0 - 1 ... 0 0
T2 =
... ... ... ... ... ...

0 0 ... - 1 (T 1) xT
0
? ar1 Y const X1 X2
Realizando el clculo iterativo de rho...
ITERACIN RHO SCR

1 0.45380 0.974503
2 0.54472 0.961851
3 0.55264 0.961756
4 0.55322 0.961755
5 0.55327 0.961755
6 0.55327 0.961755
Modelo 36: Cochrane-Orcutt, usando las observaciones 1988-2006 (T = 19)

rho = 0.553269

-----------------------------------------------------------------
const 11.3582 0.716724 15.85 3.34e-011 ***
X1 3.79126 0.225960 16.78 1.41e-011 ***
X2 0.00817556 0.000462031 17.69 6.27e-012 ***

110
F(2, 16) 275.0531 Valor p (de F) 4.07e-13
MNIMOSCUADRADOSGENERALIZADOSFACTIBLESCONHILDRETHLU
? ar1 Y const X1 X2 --hilu
rho SCR rho SCR rho SCR

-0.99 3.63144 -0.90 3.31502 -0.80 2.99029
-0.70 2.69352 -0.60 2.42418 -0.50 2.18144
-0.40 1.96412 -0.30 1.77071 -0.20 1.59958
-0.10 1.44914 0.00 1.31822 0.10 1.20634
0.20 1.11382 0.30 1.04174 0.40 0.991692
0.50 0.965443 0.60 0.964643 0.70 0.990639
0.80 1.04441 0.90 1.12655 0.99 1.22502
La SCR es mnima para rho = 0.55
ESS
3.63144 |o |
| |
| |
3.18697 + o |
| |
| o |
| |
| o |
2.4462 + |
| o |
| o |
| |
| o |
1.70542 + o |
| o |
| o |
| o
| | o o o o
0.964643 + | o o o o o o
|+---------+---------+---------+---------+---------+---------+
-0.99 RHO 0.99
Ajuste fino de rho usando la subrutina CORC...
ITERACIN RHO SCR

1 0.55000 0.961769
2 0.55303 0.961755
3 0.55325 0.961755
4 0.55327 0.961755
5 0.55327 0.961755
Modelo 37: Hildreth-Lu, usando las observaciones 1988-2006 (T = 19)

rho = 0.553269

-----------------------------------------------------------------
const 11.3582 0.716724 15.85 3.34e-011 ***
X1 3.79126 0.225960 16.78 1.41e-011 ***
X2 0.00817556 0.000462031 17.69 6.27e-012 ***

F(2, 16) 275.0531 Valor p (de F) 4.07e-13
AUTOCORRELACIN
111
ESTIMACINROBUSTA
EnGretlparaobtenerlosestimadoresrobustosseutilizaelcomandoolsconlaopcinrobust:
olsYconstX1Xkrobust
Existen varias aproximaciones a los errores estndar robustos en modelos con autocorrelacin,
todas ellas tienen una justificacin asinttica y son asintticamente equivalentes, por lo que
ningunaespreferiblealasdems.Porreglageneral,seutilizalaquecalculeelprogramaquese
estutilizando86.
Enestecaso,elresultadoobtenidoes:
Desviaciones tpicas HAC, con ancho de banda 2 (Kernel de Bartlett)
-----------------------------------------------------------------
const 10.5084 0.679389 15.47 1.90e-011 ***
X1 3.63784 0.201583 18.05 1.59e-012 ***
X2 0.00863970 0.000338978 25.49 5.51e-015 ***
F(2, 17) 812.3650 Valor p (de F) 1.35e-17
? set hac_kernel parzen

Desviaciones tpicas HAC, con ancho de banda 2 (Kernel de Parzen)

-----------------------------------------------------------------
const 10.5084 0.721395 14.57 4.92e-011 ***
X1 3.63784 0.238235 15.27 2.33e-011 ***
X2 0.00863970 0.000354919 24.34 1.18e-014 ***

F(2, 17) 502.4031 Valor p (de F) 7.57e-16
? set hac_kernel qs
86
Gretlpermitevariasopciones,peropordefectoestimplementadalaopcinKerneldeBartlett.
112
Desviaciones tpicas HAC, con ancho de banda 2.00 (Kernel QS)

-----------------------------------------------------------------
const 10.5084 0.677734 15.51 1.83e-011 ***
X1 3.63784 0.211522 17.20 3.47e-012 ***
X2 0.00863970 0.000334284 25.85 4.37e-015 ***

F(2, 17) 700.0618 Valor p (de F) 4.70e-17
? set hac_kernel bartlett

Desviaciones tpicas HAC, con ancho de banda 2 (Kernel de Bartlett)

-----------------------------------------------------------------
const 10.5084 0.679389 15.47 1.90e-011 ***
X1 3.63784 0.201583 18.05 1.59e-012 ***
X2 0.00863970 0.000338978 25.49 5.51e-015 ***

F(2, 17) 812.3650 Valor p (de F) 1.35e-17
DIFERENCIACINYAUTOCORRELACIN
En ocasiones la diferenciacin de las variables soluciona problemas de autocorrelacin en el
modelo.
? scalar dwpvalor=$dwpval
Se ha reemplazado el escalar dwpvalor = 0.010657
En el modelo con variables originales se acepta autocorrelacin de primer orden para cualquier
niveldesignificacinmayoral1,06%( p valor 0.010657 ).
? diff Y X1 X2
Listando 43 variables:
0) const 1) Y 2) X1 3) X2 4) E
5) er1 6) ER1 7) ER2 8) ER3 9) ER4
10) ER5 11) YT 12) X1T 13) X2T 14) X0T
15) YTI1 16) X1TI1 17) X2TI1 18) X0TI1 19) ET1I1
20) EI1 21) YTI2 22) X1TI2 23) X2TI2 24) X0TI2
25) ET1I2 26) EI2 27) YTI3 28) X1TI3 29) X2TI3
30) X0TI3 31) ET1I3 32) EI3 33) YTI4 34) X1TI4
35) X2TI4 36) X0TI4 37) ET1I4 38) EI4 39) YPMT
40) d_Y 41) d_X1 42) d_X2
? ols d_Y const d_X1 d_X2

Variable dependiente: d_Y
-----------------------------------------------------------------
const 0.00918194 0.0638698 0.1438 0.8875
AUTOCORRELACIN
113
d_X1 3.81652 0.209088 18.25 3.90e-012 ***
d_X2 0.00807948 0.000434597 18.59 2.94e-012 ***

F(2, 16) 308.4531 Valor p (de F) 1.67e-13
? scalar dwpvalor=$dwpval
Se ha reemplazado el escalar dwpvalor = 0.985697
En el modelo con variables diferenciadas se acepta autocorrelacin de primer orden para

cualquier nivel de significacin mayor al 98.56% ( p valor 0.985697 ), o lo que es lo mismo, el
problemadeautocorrelacindeprimerordenhadesaparecido.
PREDICCINCONAUTOCORRELACIN
PREDICCINDINMICA
Prediccinconvariosperodosdeantelacin87:
? ar1 Y const X1 X2 --pwe --quiet
? fcast 2007 2010 --static --no-stats
Para intervalos de confianza 95%, t(17, .0.025) = 2.110
Observaciones Y prediccin Desv. Tpica Intervalo de confianza 95%
2007 12.00 11.71 0.239 11.20 - 12.21

2008 9.00 8.20 0.273 7.63 - 8.78
2009 10.00 10.13 0.283 9.53 - 10.72
2010 13.00 13.25 0.286 12.65 - 13.86
PREDICCINESTTICA
Prediccinconunperododeantelacin88:
? fcast 2007 2010 --static --no-stats
Observaciones Y prediccin
2007 12.00 11.71

2008 9.00 8.36
2009 10.00 10.57
2010 13.00 13.18
87
Ntesequeparalaprediccindinmicaseutilizaelltimoresiduomuestral:
~
YT X T' b e~T
88
Ntesequeparalaprediccinestticaseutilizaelresiduoinmediatamenteanterior:
~
YT X T' b ~
eT 1
114
CLCULOS
COEFICIENTEDEAUTOCORRELACINESTIMADODEORDENJ
T
e e
t j 1
t t j
j T
j 1,2,..., p

t 1
et2 j
? e = $uhat
COEFICIENTEDECORRELACINDEPRIMERORDENESTIMADO
T
e e
t 2
t t 1
T

t 2
et21
? er1 = e(-1)
Se ha reemplazado la serie er1 (ID 8)
? rho1 = sum(e*er1)/sum(er1^2)
Se ha generado el escalar rho1 = 0.453798
Observacin:Elcoeficientedecorrelacindeprimerordenestimadoeselestimadordelparmetro
queacompaaalprimerretardodelosresiduosenlaregresin et et 1 ut
? ols e er1

Variable dependiente: e

---------------------------------------------------------------
er1 0.453798 0.208795 2.173 0.0433 **

F(1, 18) 4.723749 Valor p (de F) 0.043340
COEFICIENTEDECORRELACINDECUARTOORDENESTIMADO
T
e e t t -4
4 = t=5
T

e
t=5
2
t -4
? er4 = e(-4)
AUTOCORRELACIN
115
? rho4 = sum(e*er4)/sum(er4^2)
Se ha generado el escalar rho4 = -0.170035
Observacin:Elcoeficientedecorrelacindecuartoordenestimadoeselestimadordelparmetro
queacompaaalcuartoretardodelosresiduosenlaregresin et et 4 ut
? ols e er4

Variable dependiente: e

---------------------------------------------------------------
er4 0.170035 0.349587 0.4864 0.6337

F(1, 15) 0.236574 Valor p (de F) 0.633721
ESTADSTICODEDURBINWATSON

(e e
t 2
t t 1 )
2
dw T

t 1
et2
? SCE = sum(e*e)
Se ha generado el escalar SCE = 1.33195
? dw = sum((e-er1)^2)/SCE
Se ha generado el escalar dw = 1.08261
Dado el tamao muestral ( T 20 ), el nmero de variables explicativas ( K 2 ) y el nivel de

significacin( 0.05 ),lastablasdeDurbinyWatsonproporcionanlascotasdevalorescrticos89,
inferior( d I 1.1004 )ysuperior( d S 1.5367 ):
Como 0 dw 1.08261 d I 1.1004 , al 5% se rechaza la hiptesis nula y se acepta la existencia de

autocorrelacindeprimerordenpositiva( 0 ).
89
ParaqueGretlproporcionelosvalorestabuladosdelestadsticodeDurbinWatsonparaunniveldesignificacindel
5%, en la Ventana Principal seleccionar Tablas estadsticas en el men Herramientas, en la ventana emergente
activar el botn DW, especificar el tamao muestral y el nmero de variables explicativas y en la ventana valores
crticosaparecernlacotainferior(dL)ylacotasuperior(dU):
Valores crticos al 5% del estadstico de Durbin-Watson, n = 20, k = 2
dL = 1.1004
dU = 1.5367
116
Se podra haber calculado el estadstico de DurbinWatson, desarrollando el cuadrado del

numerador:
T T T T
(e e
t 2
t t 1 )
2
e e
t 2
2
t
t 2
2
t 1 2 e e
t 2
t t 1
dw T
T

t 1
et2 t 1
et2
? smpl 2 20
Muestra actual: 1988 - 2006 (n = 19)
? dw = (sum(e^2)+sum(er1^2)-(2*sum(e*er1)))/SCE
Se ha reemplazado el escalar dw = 1.08261
? smpl 1 20
Muestra actual: 1987 - 2006 (n = 20)
Se podra haber calculado el valor aproximado del estadstico de DurbinWatson, utilizando el

estimadordelcoeficientedecorrelacindeprimerorden:
dw 2(1 - )
? dwa = 2*(1-rho1)
Se ha generado el escalar dwa = 1.0924
RAZNDEVONNEUMANN

( e - e
t=2
t t -1 )2
2T 4 T 2 (T - 2)
v= T -1
sd
N(E(v), v2 ) N ,
T T - 1 (T + 1)(T - 1 )3

e
t=1
2
t
T
? T = $nobs
? v = ((sum((e-er1)^2))/(T-1))/(SCE/T)
Se ha reemplazado el escalar v = 1.13958
SepodrahabercalculadolarazndeVonNeumannutilizandoelestadsticodeDurbinWatson:
T
( e - e
t=2
t t -1 )2
T -1 T
v= T
= dw
T -1
e
t=1
2
t
AUTOCORRELACIN
117
? v = (T/(T-1))*dw
Se ha reemplazado el escalar v = 1.13958
VALORESPERADO
2T
E(v)
T -1
? Ev = (2*T)/(T-1)
Se ha generado el escalar Ev = 2.10526
VARIANZA
4 T 2 (T - 2)
v2 =
(T + 1)(T - 1 )3
# Varianza
? Vv = (4*T^2*(T-2))/((T+1)*(T-1)^3)
Se ha generado el escalar Vv = 0.199946
# Desviacin estndar
? Sv = sqrt(Vv)
Se ha generado el escalar Sv = 0.447153
ESTADSTICONORMAL
v - E(v)
zv =
sd
N(0,1)
v
? zv = (v-Ev)/Sv
Se ha generado el escalar zv = -2.15961
? vcz2c = critical(z,0.025)
Se ha generado el escalar vcz2c = 1.95996
? pvalue z zv
Normal estndar: rea a la derecha de -2.15961 = 0.984599
(a la izquierda: 0.0154013)
(valor a dos colas = 0.0308025; complemento = 0.969197
En este caso, teniendo en cuenta el valor crtico, dado que | zv || -2.15961 | 2.15961 N / 2 1.96 se
aceptaautocorrelacindeprimerordenparaunniveldesignificacindel5%.
En este caso, teniendo en cuenta el pvalor, se acepta la hiptesis nula de incorrelacin para
cualquier nivel de significacin menor o igual al 3.09% ( p valor 0.0308025 ) y se acepta
autocorrelacindeprimerordenparacualquierniveldesignificacinsuperior.
INTERVALODECONFIANZA
v E (v) 1.96 v , E (v) 1.96 v
SielestadsticodeVonNeumannpuedeaproximarseporunadistribucinnormal,conun95%de
confianza sus valores deberan estar comprendidos en el intervalo E (v) 1.96 v y, en caso
contrario, debera rechazarse la hiptesis nula de ausencia de autocorrelacin, siendo sta
negativa si la razn de Von Neumann est a la izquierda del intervalo y positiva si est a la
derecha.
? LI = Ev-vcz2c*Sv
Se ha reemplazado el escalar LI = 1.22886
118
? LS = Ev+vcz2c*Sv
Se ha reemplazado el escalar LS = 2.98167
En este caso, para un nivel de significacin del 5% la razn de Von Neumann (v=1.13958) no
pertenecealintervalo(1.22886,2.98167)y,portanto,serechazalahiptesisnuladeincorrelacin
yseaceptalaexistenciadeautocorrelacindeprimerordennegativa,porestarlarazndeVon
Neumannalaizquierdadelintervalo.
Observacin1:aunquesehaefectuadoelclculodelarazndeVonNeumann,noseraadecuado
utilizarloenestecaso,yaqueelestadsticodeDurbinWatsonhasidoconcluyenteenladeteccin
deautocorrelacindeprimerordenpositiva.
Observacin 2: en el caso de llegar a una zona de incertidumbre con el estadstico de Durbin

Watson, sera adecuado utilizar la razn de Von Neumann pero se deberan utilizar los valores
tabuladosporHartyaqueeltamaomuestralnoesdemasiadoelevado.
ESTADSTICOHDEDURBIN
Comoenmodelosautorregresivos(modelosenlosqueentrelasvariablesexplicativashayvalores
retardados de la endgena) el estadstico de DurbinWatson no es apropiado para contrastar
autocorrelacin,enlasalidadelcomandools,GretlsustituyeelestadsticodeDurbinWatsonpor
elestadsticohdeDurbin,quesiesadecuadoenestoscasos.
Conlosdatosdelosquesedispone:
? ols Y const X1 X2 Y(-1)


----------------------------------------------------------------
const 10.5928 0.984623 10.76 1.89e-08 ***
X1 3.62163 0.300385 12.06 4.05e-09 ***
X2 0.00876478 0.000663299 13.21 1.15e-09 ***
Y_1 0.0245084 0.0582038 0.4211 0.6797

F(3, 15) 127.1016 Valor p (de F) 6.90e-11
rho 0.446594 h de Durbin 2.012503
Sin considerar la constante, el valor p ms alto fue el de la variable 10 (Y_1)

T
h =
sd
N(0,1)
1 - T S b2K
donde Sb2K es el estimador de la varianza del coeficiente estimado del primer retardo de la
endgena
AUTOCORRELACIN
119
? h = $rho*(sqrt((T-1)/(1-((T-1)*$stderr[4]^2))))
Se ha generado el escalar h = 2.0125
? vch = critical(z,0.025)
Se ha generado el escalar vch = 1.95996
? pvalue z h
Normal estndar: rea a la derecha de 2.0125 = 0.0220835
(valor a dos colas = 0.044167; complemento = 0.955833)
En este caso, teniendo en cuenta el valor crtico, dado que | h | 2.0125 N / 2 1.96 se acepta
autocorrelacindeprimerordenparaunniveldesignificacindel5%.
En este caso, teniendo en cuenta el pvalor, se acepta la hiptesis nula de incorrelacin para
cualquier nivel de significacin menor o igual al 4.42% ( p valor 0.044167 ) y se acepta
autocorrelacindeprimerordenparacualquierniveldesignificacinsuperior.
ESTADSTICOd 4 DEWALLIS
H 0 : Incorrelacin ( 4 0)

H1 : Autocorrelacin de cuarto orden ( 4 0)
( e - et t -4 )2
d4 =
t=5
T

e
t=1
2
t
? d4 = sum((e-er4)^2)/SCE
Se ha generado el escalar d4 = 1.63283
Enestecaso,dadoeltamaomuestral( T 20 ),elnmerodevariablesexplicativas( K 2 )yel

nivel de significacin ( 0.05 ), las tablas de Wallis proporcionan las cotas de valores crticos,
inferior( d 4I 0.728 )ysuperior( d 4S 1.327 ):
Como d 4S 1.327 < d 4 1.63283 < 4 - d 4S 2.673 ,seaceptalahiptesisnulayserechazalaexistencia

deautocorrelacindecuartoorden( 4 0 ).
Observacin: aunque se ha efectuado el clculo del estadstico d4 de Wallis, no sera adecuado

utilizarlo en este caso, ya que los datos son anuales y no es probable la existencia de
autocorrelacindecuartoorden.
ESTADSTICOSDEBOXPIERCELJUNG
H 0 : 1 2 ... J 0

T j
1
QJ T (T 2) 2
j
sd
J2 J 1,2,...
j 1
120
donde j es el coeficiente de autocorrelacin de orden j y J el orden del proceso

# Retardos de los residuos
? er1 = e(-1)
? er2 = e(-2)
? er3 = e(-3)
? er4 = e(-4)
# Estimacin de los coeficientes de correlacin
? rho1 = sum(e*er1)/sum(e*e)
Se ha reemplazado el escalar rho1 = 0.453612
Se ha reemplazado el escalar rho4 = -0.0867038
Q 1
? genr Q1 = T*(T+2)*((1/(T-1))*rho1^2)
Se ha reemplazado el escalar Q1 = 4.76506
? genr pvQ1 = pvalue(X,1,Q1)

Se ha reemplazado el escalar pvQ1 = 0.0290431
? genr vcQ1 = critical(X,1,0.05)

Se ha reemplazado el escalar vcQ1 = 3.84146
Enestecaso,teniendoencuentaelvalorcrtico,dadoque Q1 4.76506 2p ( ) 12 (0.05) 3.84146 se

aceptacorrelacindeprimerordenparaunniveldesignificacindel5%.
Enestecaso,teniendoencuentaelpvalor,seaceptalahiptesisnuladeincorrelacindeprimer
orden para cualquier nivel de significacin menor o igual al 2.90% ( p valor 0.0290431 ) y se
aceptaautocorrelacindeprimerordenparacualquierniveldesignificacinsuperior.
Q 4
? genr Q4 = T*(T+2)*((1/(T-1))*rho1^2+(1/(T-2))*rho2^2+(1/(T-3))*rho3^2+(1/(T-4))*rho4^2)
Se ha generado el escalar Q4 = 9.20364
? genr pvQ4 = pvalue(X,4,Q4)

Se ha generado el escalar pvQ4 = 0.0562062
? genr vcQ4 = critical(X,4,0.05)

Se ha generado el escalar vcQ4 = 9.48773
Enestecaso,teniendoencuentaelvalorcrtico,dadoque Q4 9.20364 42 ( ) 42 (0.05) 9.48773 se

rechazacorrelacindecuartoordenparaunniveldesignificacindel5%.
AUTOCORRELACIN
121
Enestecaso,teniendoencuentaelpvalor,seaceptalahiptesisnuladeincorrelacindecuarto
aceptaautocorrelacindecuartoordenparacualquierniveldesignificacinsuperior.
Observacin: solamente se ha contrastado la presencia de autocorrelacin de primer y cuarto

orden,yaquelomshabitualestrabajarcondatosanualesocuatrimestrales.Silaperiodicidadde
losdatosfueseotra,elclculoserasimilar.
ESTADSTICODEBOXPIERCE
H 0 : 1 2 ... p 0

p
LM = T
j =1
2
j
sd
2p
donde j es el coeficiente de autocorrelacin de orden j y p el orden del proceso

# Estadstico de Box-Pierce
? LM = T*(rho1^2+rho2^2+rho3^2+rho4^2)
Se ha reemplazado el escalar LM = 7.67401
# Pvalor
? pvLM = pvalue(X,4,LM)
Se ha reemplazado el escalar pvLM = 0.104276
# Valor crtico
? vcLM = critical(X,4,0.05)
Se ha reemplazado el escalar vcLM = 9.48773
Enestecaso,teniendoencuentaelvalorcrtico,dadoque LM 7.67401 2p ( ) 42 (0.05) 9.48773 se

aceptaincorrelacindecuartoordenparaunniveldesignificacindel5%.
Enestecaso,teniendoencuentaelpvalor,seaceptalahiptesisnuladeincorrelacindecuarto
aceptaautocorrelacindecuartoordenparacualquierniveldesignificacinsuperior.
Observacin:ElcontrastedeBoxPiercenoloproporcionaGretlentresussalidas.
ESTADSTICODEBREUSCHYGODFREY
H 0 : No existe autocorrelacin

H1 : Existe autocorrelacin de orden p
et2 0 1 X 1t 2 X 2t ... K X Kt 1et 1 2 et 2 ... p et p ut
LM TR 2
sd
2p p nderetardosdelosresiduos
122
AUTOCORRELACINDEPRIMERORDEN
H 0 : 1 0

H1 : 1 0
# Sustituir valores ausentes por ceros
? smpl 1 1
? genr er1 = 0
? smpl 1 20
Muestra actual: 1987 - 2006 (n = 20)
? print e er1 --byobs

e er1
1987 0.1140136 0.000
1988 0.04786 0.1140136
1989 -0.2262901 0.04786
1990 -0.02753 -0.2262901
1991 0.06422 -0.02753
1992 0.1031721 0.06422
1993 0.3083508 0.1031721
1994 0.2546062 0.3083508
1995 0.3440204 0.2546062
1996 0.3602324 0.3440204
1997 0.08412 0.3602324
1998 -0.1639477 0.08412
1999 0.3011118 -0.1639477
2000 -0.2278924 0.3011118
2001 0.06595 -0.2278924
2002 -0.09072 0.06595
2003 -0.6419186 -0.09072
2004 -0.3565652 -0.6419186
2005 -0.3361830 -0.3565652
2006 0.02340 -0.3361830
# Versin LM
? ols e const X1 X2 er1 quiet
? genr T = $T
? genr R2 = $rsq
? genr LM1 = $T * $rsq

Se ha generado el escalar LM1 = 4.93312
? genr pvLM1 = pvalue(X,1,LM1)

Se ha generado el escalar pvLM1 = 0.0263466
? genr vcLM1 = critical(X,1,0.05)

Se ha generado el escalar vcLM1 = 3.84146
# Versin F
? ols e const X1 X2 er1 --quiet
? restrict --quiet
? b[4]=0
? end restrict
Restriccin:
b[er1] = 0
? F1 = $test
AUTOCORRELACIN
123
Se ha generado el escalar F1 = 5.23864
? pvF1 = pvalue(F,1,16,F1)
Se ha generado el escalar pvF1 = 0.036029
? vcF1 = critical(F,1,16,0.05)
Se ha generado el escalar vcF1 = 4.494
Enestecaso,conlaversinLMdelestadsticodeBreuschGodfrey:
teniendoencuentaelvalorcrtico,dadoque LM 1 4.93312 2p ( ) 12 (0.05) 3.84146 seacepta

teniendoencuentaelpvalor,serechazalahiptesisdeincorrelacinparacualquiernivelde
significacin menor o igual que el 2.6% ( p valor 0.0263466 ) y se acepta autocorrelacin de
primerordenparacualquierniveldesignificacinmayor.
Enestecaso,conlaversinFdelestadsticodeBreuschGodfrey:
teniendo en cuenta el valor crtico, dado que F1 5.23864 Fglgl21 ( ) F161 (0.05) 4.494 se acepta
primerordenparacualquierniveldesignificacinmayor.
AUTOCORRELACINDECUARTOORDEN
H 0 : 1 2 3 4 0

H1 : alguno o todos distinto de cero
# Sustituir valores ausentes por ceros
? smpl 1 1
? er1 = 0
? smpl 1 2
? er2 = 0
? smpl 1 3
? er3 = 0
? smpl 1 4
? genr er4 = 0
? smpl 1 20
124
Muestra actual: 1987 - 2006 (n = 20)
? print e er1 er2 er3 er4 --byobs

e er1 er2 er3 er4
1987 0.1140136 0.000 0.000 0.000 0.000
1988 0.04786 0.1140136 0.000 0.000 0.000
1989 -0.2262901 0.04786 0.1140136 0.000 0.000
1990 -0.02753 -0.2262901 0.04786 0.1140136 0.000
1991 0.06422 -0.02753 -0.2262901 0.04786 0.1140136
1992 0.1031721 0.06422 -0.02753 -0.2262901 0.04786
1993 0.3083508 0.1031721 0.06422 -0.02753 -0.2262901
1994 0.2546062 0.3083508 0.1031721 0.06422 -0.02753
1995 0.3440204 0.2546062 0.3083508 0.1031721 0.06422
1996 0.3602324 0.3440204 0.2546062 0.3083508 0.1031721
1997 0.08412 0.3602324 0.3440204 0.2546062 0.3083508
1998 -0.1639477 0.08412 0.3602324 0.3440204 0.2546062
1999 0.3011118 -0.1639477 0.08412 0.3602324 0.3440204
2000 -0.2278924 0.3011118 -0.1639477 0.08412 0.3602324
2001 0.06595 -0.2278924 0.3011118 -0.1639477 0.08412
2002 -0.09072 0.06595 -0.2278924 0.3011118 -0.1639477
2003 -0.6419186 -0.09072 0.06595 -0.2278924 0.3011118
2004 -0.3565652 -0.6419186 -0.09072 0.06595 -0.2278924
2005 -0.3361830 -0.3565652 -0.6419186 -0.09072 0.06595
2006 0.02340 -0.3361830 -0.3565652 -0.6419186 -0.09072
# Versin LM
? ols e const X1 X2 er1 er2 er3 er4 quiet
? T = $T
? R2 = $rsq
? LM4 = $T * $rsq
Se ha reemplazado el escalar LM4 = 8.02634
? pvLM4 = pvalue(X,4,LM4)
Se ha reemplazado el escalar pvLM4 = 0.0906182
? vcLM4 = critical(X,4,0.05)
Se ha reemplazado el escalar vcLM4 = 9.48773
#
# Versin F
? ols e const X1 X2 er1 er2 er3 er4 quiet
? restrict --quiet
? b[4]=0
? b[5]=0
? b[6]=0
? b[7]=0
? end restrict
1: b[er1] = 0
2: b[er2] = 0
3: b[er3] = 0
4: b[er4] = 0
? F4 = $test
Se ha generado el escalar F4 = 2.17858
? pvF4 = pvalue(F,4,13,F4)
Se ha generado el escalar pvF4 = 0.128563
? vcF4 = critical(F,3,13,0.05)
Se ha generado el escalar vcF4 = 3.41053
Enestecaso,conlaversinLMdelestadsticodeBreuschGodfrey:
AUTOCORRELACIN
125
teniendoencuentaelvalorcrtico,dadoque LM 4 8.02634 2p ( ) 42 (0.05) 9.48773 serechaza

autocorrelacindecuartoordenparaunniveldesignificacindel5%.
cuartoordenparacualquierniveldesignificacinmayor.
Enestecaso,conlaversinFdelestadsticodeBreuschGodfrey:
teniendoencuentaelvalorcrtico,dadoque F 4 2.17858 Fglgl21 ( ) F134 (0.05) 3.41053 serechaza

autocorrelacindecuartoordenparaunniveldesignificacindel5%.
significacinmenoroigualqueel12.9%( p valor 0.128563 )yseaceptaautocorrelacinde
cuartoordenparacualquierniveldesignificacinmayor.
TESTDERACHAS
R
sd

2 N1 N 2
N E ( R ), R2 N 1,
2 N1 N 2 (2 N1 N 2 N1 N 2 )
( N1 N 2 ) 2 ( N1 N 2 1)

N1 N 2
donde R es el nmero de rachas, N1 el nmero de residuos positivos y N 2 el nmero de

residuosnegativos.
? R = 9
Se ha generado el escalar R = 9
? N1 = 12
Se ha reemplazado el escalar N1 = 12
? N2 = 8
Se ha reemplazado el escalar N2 = 8
VALORESPERADO
2 N1 N 2
E ( R) 1
N1 N 2
? ER = ((2*N1*N2)/(N1+N2))+1
Se ha generado el escalar ER = 10.6
VARIANZA
2 N1 N 2 (2 N1 N 2 N1 N 2 )
R2
( N1 N 2 ) 2 ( N1 N 2 1)
# Varianza
? VR = ((2*N1*N2*(2*N1*N2-N1-N2))/((N1+N2)^2*(N1+N2-1)))
Se ha generado el escalar VR = 4.34526
# Desviacin estndar
? SR = sqrt(VR)
Se ha generado el escalar SR = 2.08453
126
ESTADSTICONORMAL
R E ( R)
zR
sd
N 0,1
R
? zR = (R-ER)/SR
Se ha generado el escalar zR = -0.767559
? vcz2c = critical(z,0.025)
Se ha generado el escalar vcz2c = 1.95996
? pvalue z zR
Normal estndar: rea a la derecha de -0.767559 = 0.778625
(a la izquierda: 0.221375)
(valor a dos colas = 0.442749; complemento = 0.557251)
Enestecaso,teniendoencuentaelvalorcrtico,dadoque | z R || -0.767559 | 0.767559 N / 2 1.96 se

aceptaincorrelacinparaunniveldesignificacindel5%.
En este caso, teniendo en cuenta el pvalor, se acepta la hiptesis nula de independencia

(incorrelacin)paracualquierniveldesignificacinmenoroigualal44.27%( p valor 0.442749 )
yseaceptaautocorrelacindeprimerordenparacualquierniveldesignificacinsuperior.
INTERVALODECONFIANZA
v E (v) 1.96 v , E (v) 1.96 v
? LI = ER-vcz2c*SR
Se ha reemplazado el escalar LII = 6.5144
? LS = ER+vcz2c*SR
Se ha reemplazado el escalar LSI = 14.6856
En este caso, para un nivel de significacin del 5% el nmero de rachas (R=9) pertenece al
intervalo (6.5144, 14.6856) y, por tanto, se puede aceptar el comportamiento aleatorio de los
residuos,esdecir,seaceptalahiptesisnuladeausenciadeautocorrelacindeprimerorden.
Observacin:enestecasocomoeltamaomuestralespequeonoseraaconsejableutilizareste
contraste.
MTODOITERATIVODEPRAISSWINSTEN
# 1. Estimacin MCO del modelo

? smpl 1 20
Muestra actual: 1987 - 2006 (n = 20)
# 2. Estimacin de rho
? genr RO0 = $rho
Se ha reemplazado el escalar RO0 = 0.453798
# 3. Clculo de T1I1
? matrix T1I1 = {sqrt(1-RO0^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
AUTOCORRELACIN
127
0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO0,1}
Se ha reemplazado la matriz T1I1
# 4. Clculo de variables transformadas

? series YTI1 = T1I1*Y
Se ha reemplazado la serie YTI1 (ID 13)
? series X1TI1 = T1I1*X1

Se ha reemplazado la serie X1TI1 (ID 14)

? series X0TI1 = T1I1*const

? print YTI1 X0TI1 X1TI1 X2TI1 --byobs

YTI1 X0TI1 X1TI1 X2TI1
1987 9.802148 0.8911043 2.192117 961.9560
1988 6.008217 0.5462015 1.393656 618.3400
1989 5.008217 0.5462015 1.590966 613.9315
1990 4.462015 0.5462015 1.491130 471.2697
1991 3.915814 0.5462015 1.391130 365.7643
1992 7.369612 0.5462015 1.186510 679.6757
1993 7.008217 0.5462015 1.359960 689.1767
1994 4.554418 0.5462015 1.642732 541.2243
1995 4.462015 0.5462015 1.732054 554.9672
1996 8.915814 0.5462015 0.597681 595.6508
1997 7.100620 0.5462015 1.575093 829.9121
1998 6.100620 0.5462015 1.223656 580.4001
1999 6.554418 0.5462015 1.248112 576.3646
2000 4.554418 0.5462015 1.261726 436.2640
2001 5.462015 0.5462015 1.271726 483.7278
2002 6.462015 0.5462015 1.137188 576.3909
2003 6.008217 0.5462015 1.546181 751.6473
2004 4.008217 0.5462015 1.347352 374.4587
2005 6.915814 0.5462015 1.195504 659.6894
2006 5.008217 0.5462015 1.342650 460.3035
# 5. Estimacin MCO del modelo transformado

? ols YTI1 X0TI1 X1TI1 X2TI1

Variable dependiente: YTI1
-----------------------------------------------------------------
X0TI1 11.2695 0.728624 15.47 1.90e-011 ***
X1TI1 3.77583 0.229933 16.42 7.30e-012 ***
X2TI1 0.00824343 0.000466006 17.69 2.20e-012 ***

F(3, 17) 4378.414 Valor p (de F) 9.61e-25
? series ET1I1 = $uhat

Se ha reemplazado la serie ET1I1 (ID 17)
128
? series EI1 = inv(T1I1)*ET1I1
Se ha reemplazado la serie EI1 (ID 18)
# 1. Estimacin de rho para la I2

? genr RO1 = sum(EI1*EI1(-1))/sum(EI1(-1)*EI1(-1))
# 2. Clculo de T1I2
? matrix T1I2 = {sqrt(1-RO1^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO1,1}





1987 9.230143 0.8391039 2.064196 905.8210
1988 5.016317 0.4560288 1.171831 520.9977
1989 4.016317 0.4560288 1.364632 514.0002
1990 3.560288 0.4560288 1.244959 370.5612
1991 3.104259 0.4560288 1.144959 277.5672
1992 6.648230 0.4560288 0.949356 606.6700
1993 6.016317 0.4560288 1.145349 594.7586
1994 3.472346 0.4560288 1.422710 436.2326
1995 3.560288 0.4560288 1.484079 458.5184
1996 8.104259 0.4560288 0.328966 501.8396
1997 5.928375 0.4560288 1.399256 733.6293
1998 4.928375 0.4560288 1.001831 461.8716
1999 5.472346 0.4560288 1.037107 470.2403
2000 3.472346 0.4560288 1.053427 336.1326
2001 4.560288 0.4560288 1.063427 398.9492
2002 5.560288 0.4560288 0.927987 494.2995
2003 5.016317 0.4560288 1.348703 662.4196
2004 3.016317 0.4560288 1.118313 266.1892
2005 6.104259 0.4560288 0.970072 576.7910
2006 4.016317 0.4560288 1.132547 363.1983


AUTOCORRELACIN
129
-----------------------------------------------------------------
X0TI2 11.3617 0.701517 16.20 9.11e-012 ***
X1TI2 3.79036 0.221360 17.12 3.73e-012 ***
X2TI2 0.00819095 0.000451732 18.13 1.48e-012 ***

F(3, 17) 3255.076 Valor p (de F) 1.19e-23



# 2. Clculo de T1I3
? matrix T1I3 = {sqrt(1-RO2^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO2,1}





1987 9.172573 0.8338703 2.051321 900.1713
1988 4.928435 0.4480395 1.152177 512.3732
1989 3.928435 0.4480395 1.344579 505.1464
1990 3.480395 0.4480395 1.223148 361.6385
1991 3.032356 0.4480395 1.123148 269.7530
1992 6.584316 0.4480395 0.928344 600.2018
1993 5.928435 0.4480395 1.126334 586.3932
1994 3.376474 0.4480395 1.403216 426.9304
1995 3.480395 0.4480395 1.462109 449.9731
1996 8.032356 0.4480395 0.305158 493.5279
130
1997 5.824514 0.4480395 1.383677 725.0987
1998 4.824514 0.4480395 0.982177 451.3701
1999 5.376474 0.4480395 1.018413 460.8377
2000 3.376474 0.4480395 1.034971 327.2610
2001 4.480395 0.4480395 1.044971 391.4378
2002 5.480395 0.4480395 0.909452 487.0262
2003 4.928435 0.4480395 1.331207 654.5141
2004 2.928435 0.4480395 1.098020 256.5966
2005 6.032356 0.4480395 0.950099 569.4462
2006 3.928435 0.4480395 1.113932 354.5948



-----------------------------------------------------------------
X0TI3 11.3689 0.699468 16.25 8.61e-012 ***
X1TI3 3.79146 0.220677 17.18 3.53e-012 ***
X2TI3 0.00818686 0.000450585 18.17 1.43e-012 ***

F(3, 17) 3160.308 Valor p (de F) 1.53e-23


# 2. Clculo de T1I4
? matrix T1I4 = {sqrt(1-RO3^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO3,1}



AUTOCORRELACIN
131


1987 9.168272 0.8334793 2.050359 899.7492
1988 4.921942 0.4474493 1.150725 511.7360
1989 3.921942 0.4474493 1.343098 504.4922
1990 3.474493 0.4474493 1.221537 360.9792
1991 3.027043 0.4474493 1.121537 269.1757
1992 6.579594 0.4474493 0.926792 599.7239
1993 5.921942 0.4474493 1.124929 585.7752
1994 3.369391 0.4474493 1.401776 426.2431
1995 3.474493 0.4474493 1.460485 449.3417
1996 8.027043 0.4474493 0.303399 492.9139
1997 5.816841 0.4474493 1.382526 724.4684
1998 4.816841 0.4474493 0.980725 450.5942
1999 5.369391 0.4474493 1.017031 460.1430
2000 3.369391 0.4474493 1.033608 326.6056
2001 4.474493 0.4474493 1.043608 390.8829
2002 5.474493 0.4474493 0.908082 486.4889
2003 4.921942 0.4474493 1.329914 653.9300
2004 2.921942 0.4474493 1.096521 255.8879
2005 6.027043 0.4474493 0.948623 568.9035
2006 3.921942 0.4474493 1.112557 353.9592



-----------------------------------------------------------------
X0TI4 11.3694 0.699319 16.26 8.57e-012 ***
X1TI4 3.79153 0.220627 17.19 3.51e-012 ***
X2TI4 0.00818656 0.000450502 18.17 1.42e-012 ***

F(3, 17) 3153.345 Valor p (de F) 1.56e-23



# 2. Clculo de T1I5
? matrix T1I5 = {sqrt(1-RO4^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0,0; \
132
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO4,1}




1987 9.167959 0.8334508 2.050289 899.7185
1988 4.921470 0.4474063 1.150620 511.6896
1989 3.921470 0.4474063 1.342990 504.4447
1990 3.474063 0.4474063 1.221419 360.9313
1991 3.026657 0.4474063 1.121419 269.1337
1992 6.579251 0.4474063 0.926679 599.6891
1993 5.921470 0.4474063 1.124827 585.7302
1994 3.368876 0.4474063 1.401671 426.1931
1995 3.474063 0.4474063 1.460367 449.2958
1996 8.026657 0.4474063 0.303271 492.8692
1997 5.816283 0.4474063 1.382442 724.4226
1998 4.816283 0.4474063 0.980620 450.5377
1999 5.368876 0.4474063 1.016931 460.0925
2000 3.368876 0.4474063 1.033509 326.5579
2001 4.474063 0.4474063 1.043509 390.8425
2002 5.474063 0.4474063 0.907983 486.4498
2003 4.921470 0.4474063 1.329820 653.8875
2004 2.921470 0.4474063 1.096412 255.8363
2005 6.026657 0.4474063 0.948516 568.8641
2006 3.921470 0.4474063 1.112457 353.9129


-----------------------------------------------------------------
X0TI5 11.3694 0.699308 16.26 8.57e-012 ***
X1TI5 3.79154 0.220623 17.19 3.51e-012 ***
X2TI5 0.00818654 0.000450495 18.17 1.42e-012 ***

F(3, 17) 3152.839 Valor p (de F) 1.56e-23



AUTOCORRELACIN
133
# 2. Clculo de T1I6
? matrix T1I6 = {sqrt(1-RO5^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO5,1}





1987 9.167936 0.8334487 2.050284 899.7163
1988 4.921436 0.4474032 1.150612 511.6863
1989 3.921436 0.4474032 1.342982 504.4412
1990 3.474032 0.4474032 1.221411 360.9278
1991 3.026629 0.4474032 1.121411 269.1306
1992 6.579226 0.4474032 0.926670 599.6866
1993 5.921436 0.4474032 1.124820 585.7270
1994 3.368839 0.4474032 1.401664 426.1895
1995 3.474032 0.4474032 1.460359 449.2925
1996 8.026629 0.4474032 0.303262 492.8660
1997 5.816242 0.4474032 1.382436 724.4193
1998 4.816242 0.4474032 0.980612 450.5337
1999 5.368839 0.4474032 1.016924 460.0889
2000 3.368839 0.4474032 1.033501 326.5544
2001 4.474032 0.4474032 1.043501 390.8396
2002 5.474032 0.4474032 0.907975 486.4470
2003 4.921436 0.4474032 1.329813 653.8844
2004 2.921436 0.4474032 1.096404 255.8326
2005 6.026629 0.4474032 0.948508 568.8612
2006 3.921436 0.4474032 1.112450 353.9096


-----------------------------------------------------------------
X0TI6 11.3694 0.699308 16.26 8.57e-012 ***
X1TI6 3.79154 0.220623 17.19 3.51e-012 ***
X2TI6 0.00818654 0.000450495 18.17 1.42e-012 ***

134
F(3, 17) 3152.802 Valor p (de F) 1.56e-23



# 2. Clculo de T1I7
? matrix T1I7 = {sqrt(1-RO6^2),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1,0; \
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,-RO6,1}




1987 9.167935 0.8334486 2.050284 899.7161
1988 4.921433 0.4474030 1.150611 511.6860
1989 3.921433 0.4474030 1.342982 504.4410
1990 3.474030 0.4474030 1.221410 360.9276
1991 3.026627 0.4474030 1.121410 269.1304
1992 6.579224 0.4474030 0.926670 599.6864
1993 5.921433 0.4474030 1.124819 585.7267
1994 3.368836 0.4474030 1.401663 426.1892
1995 3.474030 0.4474030 1.460358 449.2923
1996 8.026627 0.4474030 0.303261 492.8657
1997 5.816239 0.4474030 1.382436 724.4190
1998 4.816239 0.4474030 0.980611 450.5334
1999 5.368836 0.4474030 1.016923 460.0886
2000 3.368836 0.4474030 1.033501 326.5542
2001 4.474030 0.4474030 1.043501 390.8394
2002 5.474030 0.4474030 0.907975 486.4467
2003 4.921433 0.4474030 1.329813 653.8842
2004 2.921433 0.4474030 1.096404 255.8323
2005 6.026627 0.4474030 0.948508 568.8610
2006 3.921433 0.4474030 1.112449 353.9093
AUTOCORRELACIN
135


-----------------------------------------------------------------
X0TI7 11.3694 0.699308 16.26 8.57e-012 ***
X1TI7 3.79154 0.220623 17.19 3.51e-012 ***
X2TI7 0.00818654 0.000450495 18.17 1.42e-012 ***

F(3, 17) 3152.799 Valor p (de F) 1.56e-23


ESTIMADORESDEMCG
Si se conoce el verdadero valor de , se pueden obtener los estimadores MCG utilizando el
modelotransformado90:
1 - 2 0 0
0 0 ... 0
- 1 0 ... 0 0 0

T1 = 0 - 1 ... 0 0 0
... ... ... ... ... ... ...

0 0 0 ... - 1 0

0 0 0 ... 0 - 1 TxT
Y1* = Y1 1 - 2
Yt* = Yt Yt 1 t = 2,3,...,T
X i*1 = X i1 1 - 2 i = 0,1,..., K X 01 = 1
X it* = X it X i ,t 1 t = 2,3,...,T i = 0,1,..., K X 0t = 1
# Clculo de variables transformadas

? smpl 1 1
? series YT = sqrt(1-0.5^2)*Y
90
Enestecasosehasupuesto 0.5
136
Se ha generado la serie YT (ID 12)
? series X1T = sqrt(1-0.5^2)*X1

Se ha generado la serie X1T (ID 13)
? series X2T = sqrt(1-0.5^2)*X2

? series X0T = sqrt(1-0.5^2)*const

? smpl 2 20
Muestra actual: 1988 - 2006 (n = 19)
? series YT = Y-0.5*Y(-1)
Se ha reemplazado la serie YT (ID 12)
? series X1T = X1-0.5*X1(-1)

Se ha reemplazado la serie X1T (ID 13)
? series X2T = X2-0.5*X2(-1)

? series X0T = const-0.5*const(-1)
? smpl 1 20
Muestra actual: 1987 - 2006 (n = 20)
? print YT X0T X1T X2T --byobs
YT X0T X1T X2T

1987 9.526279 0.8660254 2.130422 934.8831
1988 5.500000 0.5000000 1.280000 568.4650
1989 4.500000 0.5000000 1.475000 562.7300
1990 4.000000 0.5000000 1.365000 419.6700
1991 3.500000 0.5000000 1.265000 320.5750
1992 7.000000 0.5000000 1.065000 642.2700
1993 6.500000 0.5000000 1.250000 640.8000
1994 4.000000 0.5000000 1.530000 487.4300
1995 4.000000 0.5000000 1.605000 505.5500
1996 8.500000 0.5000000 0.460000 547.5850
1997 6.500000 0.5000000 1.485000 780.5800
1998 5.500000 0.5000000 1.110000 519.6700
1999 6.000000 0.5000000 1.140000 521.9900
2000 4.000000 0.5000000 1.155000 384.9600
2001 5.000000 0.5000000 1.165000 440.2900
2002 6.000000 0.5000000 1.030000 534.3300
2003 5.500000 0.5000000 1.445000 705.9300
2004 3.500000 0.5000000 1.230000 318.9850
2005 6.500000 0.5000000 1.080000 617.2150
2006 4.500000 0.5000000 1.235000 410.5500
SehacelaestimacinMCOdelmodeloconvariablestransformadas:
# Estimacin MCO del modelo transformado
? ols YT X0T X1T X2T

Variable dependiente: YT

-----------------------------------------------------------------
X0T 11.3195 0.713863 15.86 1.28e-011 ***
X1T -3.78380 0.225351 -16.79 5.11e-012 ***
X2T 0.00821509 0.000458402 17.92 1.78e-012 ***

F(3, 17) 3792.176 Valor p (de F) 3.25e-24
AUTOCORRELACIN
137
rho -0.097513 Durbin-Watson 2.159794
Observacin:elmodelotransformadonotieneordenadaenelorigen.
PREDICCIN
PREDICCINDINMICA
~ ~ ~
~
YT X T' b e~T X T' b (YT YT ) X T' b YT X T' b
? genr BG = $coeff
Se ha generado la matriz BG
? genr YP21 = BG[1]+X1[21]*BG[2]+X2[21]*BG[3]+RO4*(Y[20]-(BG[1]+X1[20]*BG[2]+X2[20]*BG[3]))

Se ha generado el escalar YP21 = 11.7059
? genr YP22 = BG[1]+X1[22]*BG[2]+X2[22]*BG[3]+RO4^2*(Y[20]-(BG[1]+X1[20]*BG[2]+X2[20]*BG[3]))



PREDICCINESTTICA
~ ~
~
~
YT X T' b e~T 1 X T' b YT 1 YT 1 X T' b YT 1 X T' 1b
? genr BG = $coeff
Se ha reemplazado la matriz BG

Se ha reemplazado el escalar YP21 = 11.7059



PREDICCINCONELMODELOTRANSFORMADO
Tambin se puede predecir Y* mediante el modelo transformado ( Y* X *'b* ) y obtener Y
mediantesurelacinconelregresandotransformado( Y* Y Y 1 Y Y* Y 1 ).
# Clculo de variables transformadas perodo prediccin
? smpl 21 24
? series YTI4 = Y-RO4*Y(-1)

? series X1TI4 = X1-RO4*X1(-1)

? series X2TI4 = X2-RO4*X2(-1)

138
? series X0TI4 = const-RO4*const(-1)
? smpl 1 20
Muestra actual: 1987 - 2006 (n = 20)
# Estimacin MCO del modelo transformado en la ltima iteracin

? ols YTI4 X0TI4 X1TI4 X2TI4 --quiet
? fcast 2007 2010 YPMT --static --no-stats
Se ha generado la serie YPMT (ID 40)
? smpl 21 24
? print YPMT --byobs

YPMT
2007 6.186664
2008 1.741424
2009 5.600524
2010 7.664427
? smpl 1 24
? genr YP21 = YPMT[21]+ RO4*Y[20]

? genr YP22 = YPMT[22]+ RO4*Y[21]

? genr YP23 = YPMT[23]+ RO4*Y[22]

? genr YP24 = YPMT[24]+ RO4*Y[23]

Observacin:Utilizandoelmodelotransformadoslosepuederecuperarlaprediccinesttica.
LINEALIDAD
INTRODUCCIN
Secometeunerrorenlaformafuncionalcuandoseespecificaunarelacinentreelregresandoy
losregresoresylaverdaderarelacinesdiferentedelaespecificada.Enestecaso,losestimadores
obtenidosporMCOsernsesgados,pocoprecisoseinconsistentes.
Unaespecificacinincorrectaenlaformafuncionaldelmodelopuedetenercomoconsecuencia
un trmino de perturbacin no esfrico (con heteroscedasticidad y/o autocorrelacin) y cuya
distribucinsealejedeladistribucindeltrminodeperturbacindelmodeloconunacorrecta
especificacin.
LahiptesisdeformafuncionallinealdeunMRLNCresultainadecuadaenalgunoscasos.Eneste
captulo se analizarn una serie de estadsticos que permitirn contrastar si la forma funcional
linealesonoadecuada.
ANLISISDELALINEALIDAD
El primer paso para el anlisis de la forma funcional es la estimacin del modelo por MCO y la
datos2.gdt92:
? ols y const x1 x2

Variable dependiente: y

-----------------------------------------------------------------
const 10.5084 0.918251 11.44 2.07e-09 ***
x1 -3.63784 0.283009 -12.85 3.49e-010 ***
x2 0.00863970 0.000548136 15.76 1.41e-011 ***

F(2, 17) 211.9857 Valor p (de F) 9.58e-13

? e = $uhat
# Se guarda el regresando estimado

? ye = $uhat
91
Larelacinqueexisteentreresiduoyperturbacinvienedadapor: et X t' b t
92
140
MTODOGRFICO
Es un mtodo informal, pero de gran utilidad para diagnosticar la linealidad. Con este fin se
puedenutilizarvariostiposdegrficosbasadosenlosresiduos,siendoelmsutilizadoeldelos
residuosrespectoalregresandoestimado:

Enestegrfico,lanubedepuntospuedeayudaravislumbrarunaformafuncionaldiferentedela
lineal.
TESTSESTADSTICOS
Estos tests contrastan la hiptesis nula de linealidad frente a la hiptesis alternativa de no
linealidad.
TESTRESETDERAMSEY
H 0 : Linealidad

H1 : No linealidad
LapruebadeRamseyconsisteencompararlabondaddeajustedelmodelooriginal(MO)conla
bondaddeajustedeunmodeloalternativo(MA),enelqueademsdelosregresoresdelmodelo
original figuran una o varias potencias del regresando estimado en el modelo de partida. Si la
inclusindeestosregresoresadicionalesimplicaunincrementoestadsticamentesignificativoen
elcoeficientededeterminacin,laformafuncionallinealnoescorrecta.
( R2MA - R2MOl )/ ( K MA K MO ) sd K MO
F= FTK-MA
K MA 1
(1 - R2MA )/( T - K MA 1 )
donde K MO y K MA son el n de variables explicativas del modelo original y del modelo

alternativo,respectivamente.
K MO
Si F FTK-MAK MA 1 ( ) alniveldesignificacin seaceptalahiptesisnuladelinealidad
Observacin: el inconveniente del test de Ramsey es que contrasta la linealidad frente a formas
funcionalesalternativas,peronoinformadecualpuedeserelmodeloadecuadoenelcasodeno
LINEALIDAD
141
aceptarlinealidad.Porestemotivo,interesahacerusodetestsquepermitanespecificarlaforma
funcionalalternativadelmodelo.
PRUEBAJDEDAVIDSONYMACKINNON
H 0 : Y t = 0 + 1 X 1t + 2 X 2t + t ( MO )

H1 : Y t = 0 + 1 ln X 1t + 2 ln X 2t + t ( MA)
Como ejemplo para la aplicacin de esta prueba se ha enfrentado a la hiptesis nula de forma
funcionallineal(MO)lahiptesisalternativadeformafuncionalsemilogartmica(MA).
ParacalcularlapruebaJ:
1. Se estima el modelo alternativo (semilogartmico) y se calculan los valores estimados del

regresando Y tMA
2. Se agrega Y tMA como regresor adicional en el modelo original (lineal) y se estima el modelo
Y t = 0 + 1 X 1t + 2 X 2t 3 Y t + t
MA
3. Secontrastalanulidadindividualdelparmetroqueacompaaalnuevoregresor( 3 = 0 ).Sise
aceptadichanulidad,se"acepta"elmodelolinealcomoelverdaderomodelo,yaque Y tMA no
tieneunpoderexplicativoadicional.
Observacin: el inconveniente de esta prueba es que se asume que una de las dos formas
funcionalesespecificadaseslacorrecta,porloquesedebesercautoensuaplicacin.
PRUEBAJADEFISHERYMCALEER
H 0 : Y t = 0 + 1 X 1t + 2 X 2t + t ( MO )

H1 : Y t = 0 + 1 ln X 1t + 2 ln X 2t + t ( MA)
Como ejemplo para la aplicacin de esta prueba se ha enfrentado a la hiptesis nula de forma
funcionallineal(MO)lahiptesisalternativadeformafuncionalsemilogartmica(MA).
ParacalcularlapruebaJA:
1. Seestimaelmodelooriginal(lineal)ysecalculanlosvaloresestimadosdelregresando Y tMO
2. Se agrega Y tMO como regresando del modelo alternativo (semilogartmico), se estima el

MA
modelo Y tMO = 0 + 1 ln X 1t + 2 ln X 2t t ysecalculanlosvaloresestimadosdelregresando Y tMO
MA
3. Se agrega Y tMO como regresor adicional en el modelo original y se estima el modelo
MO MA
Y t = 0 + 1 X 1t + 2 X 2t 3Y t +t
142
4. Secontrastalanulidadindividualdelparmetroqueacompaaalnuevoregresor( 3 = 0 ).Sise
MA
aceptadichanulidad,se"acepta"elmodelolinealcomoelverdaderomodelo,yaque Y tMO no
tieneunpoderexplicativoadicional.
COMANDOSPARAANALIZARLALINEALIDAD
COMANDOgnuplot
ejeverticalla/svariable/sproporcionada/senprimerlugaryenelejehorizontallaltimadelas
? gnuplot e ye
e con respecto a ye (con ajuste m-nimo-cuadrtico)

0.4
Y = 6.51e-031 + 1.00X
0.2
-0.2
e
-0.4
-0.6
-0.8
-0.6 -0.4 -0.2 0 0.2
ye

En este grfico, la nube de puntos puede ayudar a vislumbrar que la forma funcional lineal es
adecuada.
93
LINEALIDAD
143
COMANDOreset
Conelcomandoreset94GretlproporcionaeltestResetdeRamsey,cuyoformatoes:
resetopciones
Esnecesarioqueelcomandoresetvayaprecedidoporuncomandools.
Algunasdelasopcionesdisponiblesconelcomandoresetson:
squareonly calcula el test utilizando como variable independiente adicional nicamente el
cuadradodelavariabledependienteestimada
cubeonlycalculaeltestutilizandocomovariableindependienteadicionalnicamenteelcubo
delavariabledependienteestimada
Si el comando reset se ejecuta sin opciones, el test se calcula utilizando como variables
independientesadicionaleselcuadradoyelcubodelavariabledependienteestimada.
Test RESET utilizando como variables independientes adicionales el cuadrado y el cubo de la

variabledependienteestimada:
? ols y const x1 x2
? reset
Regresin auxiliar para el contraste de especificacin RESET


----------------------------------------------------------------
const 28.9449 54.6725 0.5294 0.6043
x1 -12.3320 27.9987 -0.4405 0.6659
x2 0.0291361 0.0663642 0.4390 0.6669
yhat^2 -0.268150 0.741286 -0.3617 0.7226
yhat^3 0.00971387 0.0235939 0.4117 0.6864
Estadstico de contraste: F = 0.695343,

con valor p = P(F(2,15) > 0.695343) = 0.514
Test RESET utilizando como variable independiente adicional el cuadrado de la variable

dependienteestimada:
? reset --squares-only


---------------------------------------------------------------
const 6.48882 3.65694 1.774 0.0950 *
x1 -0.852105 2.47056 -0.3449 0.7347
x2 0.00192881 0.00593804 0.3248 0.7495
yhat^2 0.0367385 0.0323711 1.135 0.2731
94
OtraformadeaccederaestainformacinseraseleccionarContrasteRESETdeRamseyenelmenContrastesdela
VentanaModeloyseleccionarlavariantedeseada.
144

con valor p = P(F(1,16) > 1.28804) = 0.273
Test RESET utilizando como variable independiente adicional el cubo de la variable dependiente
estimada:
? reset --cubes-only


----------------------------------------------------------------
const 9.17545 1.46996 6.242 1.18e-05 ***
x1 -2.21483 1.26435 -1.752 0.0990 *
x2 0.00515684 0.00306597 1.682 0.1120
yhat^3 0.00118769 0.00102900 1.154 0.2654

con valor p = P(F(1,16) > 1.3322) = 0.265
En cada uno de los casos, la hiptesis nula es que la forma funcional lineal es correcta y si se
rechaza dicha hiptesis, ello sera un indicador de que se debera buscar una forma funcional
alternativa.
Observando los pvalores asociados a cada uno de los tests RESET anteriores
( p valor 0.514 , p valor 0.273 , p valor 0.265 ),paraunniveldesignificacindel5%,sepuede
concluirquelaformafuncionallinealescorrecta.
LINEALIDAD
145
CLCULOS
TESTRESETDERAMSEY
H 0 : Linealidad

H1 : No linealidad
( R2MA - R2MOl )/ ( K MA K MO ) sd K MO
F= FTK-MA
K MA 1
(1 - R2MA )/( T - K MA 1 )
donde K MO y K MA son el n de variables explicativas del modelo original y del modelo

alternativo,respectivamente.
K MO
Si F FTK-MAK MA 1 ( ) alniveldesignificacin seaceptalahiptesisnuladelinealidad
? T = $T
? KMO = $ncoeff-1
Se ha generado el escalar KMO = 2
? R2MO = $rsq
Se ha generado el escalar R2MO = 0.961449
? fcast yeMO
Se ha generado la serie yeMO (ID 8)
? yeMO2 = yeMO^2
Se ha generado la serie yeMO2 (ID 9)
? yeMO3 = yeMO^3
Se ha generado la serie yeMO3 (ID 10)
ClculodeltestRESETutilizandocomovariableindependienteadicionalelcuadradodelavariable
? ols Y const X1 X2 yeMO2 quiet
? KMA = $ncoeff-1
Se ha generado el escalar KMA = 3
? R2MA = $rsq
Se ha generado el escalar R2MA = 0.964321
# Clculo del RESET2

? RESET2 = ((R2MA-R2MO)/(KMA-KMO))/((1-R2MA)/(T-KMA-1))
Se ha generado el escalar RESET2 = 1.28804
? glN = KMA-KMO
Se ha generado el escalar glN = 1
? glD = T-KMA-1
Se ha generado el escalar glD = 16
? pvRESET2 = pvalue(F,glN,glD,RESET2)
Se ha generado el escalar pvRESET2 = 0.273127
? vcRESET2 = critical(F,glN,glD,0.05)
Se ha generado el escalar vcRESET2 = 4.494
146
En este caso, dado que RESET2 = 1.28804 FglD

glN
( ) F161 ( 0.05 ) 4.494 , se acepta linealidad al 5% y
paracualquierniveldesignificacinigualoinferioral27.31%( p valor 0.273127 ).
SepodrahabercalculadoeltestRESETutilizandoelcomandorestrict:
? restrict --quiet
? b[yeMO2] = 0
? end restrict
Restriccin:
b[yeMO2] = 0
Clculo del test RESET utilizando como variable independiente adicional el cubo de la variable
? KMA = $ncoeff-1
Se ha reemplazado el escalar KMA = 3
? R2MA = $rsq
Se ha reemplazado el escalar R2MA = 0.964412
# Clculo del RESET3
? glN = KMA-KMO
Se ha reemplazado el escalar glN = 1
? glD = T-KMA-1
Se ha reemplazado el escalar glD = 16
En este caso, dado que RESET3 = 1.3322 FglD

glN
( ) F161 ( 0.05 ) 4.494 , se acepta linealidad al 5% y
paracualquierniveldesignificacinigualoinferioral26.54%( p valor 0.265364 ).
? ols Y const X1 X2 yeMO3 --quiet
? restrict --quiet
? b[yeMO3] = 0
? end restrict
Restriccin:
b[yeMO3] = 0
ClculodeltestRESETutilizandocomovariablesindependientesadicionaleselcuadradoyelcubo
delavariabledependienteestimada:
? ols Y const X1 X2 yeMO2 yeMO3 quiet
? KMA = $ncoeff-1
Se ha reemplazado el escalar KMA = 4
LINEALIDAD
147
? R2MA = $rsq
Se ha reemplazado el escalar R2MA = 0.96472
# Clculo del RESET23
? glN = KMA-KMO
Se ha reemplazado el escalar glN = 2
? glD = T-KMA-1
Se ha reemplazado el escalar glD = 15
Enestecaso,dadoque RESET23 = 0.695343 FglD

glN
( ) F152 ( 0.05 ) 3.68232 , seaceptalinealidadal5%
yparacualquierniveldesignificacinigualoinferioral51.43%( p valor 0.514288 ).
? ols Y const X1 X2 yhatMO2 yhatMO3 quiet
? restrict --quiet
? b[yeMO2] = 0
? b[yeMO3] = 0
? end restrict
1: b[yeMO2] = 0
2: b[yeMO3] = 0
PRUEBAJDEDAVIDSONYMACKINNON
En esta prueba se especifica la forma funcional alternativa del modelo (como ejemplo se ha
elegidounmodelosemilogartmico).
? genr lX1 = log(X1)
Se ha generado la serie lX1 (ID 4)
? genr lX2 = log(X2)

Se ha generado la serie lX2 (ID 5)
H 0 : Y t = 0 + 1 X 1t + 2 X 2t + t ( MO )

H1 : Y t = 0 + 1 ln X 1t + 2 ln X 2t + t ( MA)
? ols Y const lX1 lX2 quiet
? fcast yeMA
Se ha generado la serie yeMA (ID 13)
? ols Y const X1 X2 yeMA


---------------------------------------------------------------
const 2.51767 6.08215 0.4139 0.6844
X1 0.882163 2.09287 0.4215 0.6790
X2 0.00214791 0.00491636 0.4369 0.6680
yeMA 0.755152 0.568479 1.328 0.2027
148

F(3, 16) 148.2680 Valor p (de F) 6.94e-12
Si se analiza el pvalor de la variable explicativa yeMA ( p valor 0.2027 ) se acepta la hiptesis

nula de nulidad del parmetro que la acompaa para cualquier nivel de significacin igual o
inferioral20.27%.Portanto,seconcluyequesisecomparalaformafuncionallinealconlaforma
funcionalsemilogartmica,seaceptalaformafuncionallinealcomoadecuada.
PRUEBAJADEFISHERYMCALEER
En esta prueba se especifica la forma funcional alternativa del modelo (como ejemplo se ha
elegidounmodelosemilogartmico).
H 0 : Y t = 0 + 1 X 1t + 2 X 2t + t ( MO )

H1 : Y t = 0 + 1 ln X 1t + 2 ln X 2t + t ( MA)
? lX1 = log(X1)
Se ha reemplazado la serie lX1 (ID 11)
? lX2 = log(X2)
Se ha reemplazado la serie lX2 (ID 12)
? fcast yeMO
Se ha reemplazado la serie yeMO (ID 8)
? ols yeMO const lX1 lX2 --quiet
? fcast yeMOMA
Se ha generado la serie yeMOMA (ID 14)
? ols Y const X1 X2 yeMOMA


---------------------------------------------------------------
const 2.55359 6.07439 0.4204 0.6798
X1 0.903389 2.08357 0.4336 0.6704
X2 0.00214511 0.00493402 0.4348 0.6695
yeMOMA 0.756965 0.571666 1.324 0.2041

F(3, 16) 148.1709 Valor p (de F) 6.98e-12
LINEALIDAD
149
SiseanalizaelpvalordelavariableexplicativayeMOMA( p valor 0.2041 ),seaceptalahiptesis
nula de nulidad del parmetro que la acompaa para cualquier nivel de significacin igual o
inferioral20.41%.Portanto,seconcluyequesisecomparalaformafuncionallinealconlaforma
funcionalsemilogartmica,seaceptalaformafuncionallinealcomoadecuada.
150
REGRESORESESTOCSTICOS
INTRODUCCIN
ElsupuestodelMRLNCdequelamatrizderegresoresesnoestocsticaonoaleatoria95,esuna
simplificacindeplanteamientoqueimplicaestartrabajandoconexperimentoscontrolables,en
los que tericamente podran repetirse unos valores prefijados para las variables explicativas y
observar su incidencia sobre la variable explicada. Pero esto no es frecuente en el anlisis
econmicoy/oempresarial,dondelasvariablesexplicativasseproducenellasmismasporalgn
mecanismoestocstico(pasodeltiempo,comportamientodelosindividuoseconmicos,etc).Por
ello,laaleatoriedadenelmodelopuedeprocedernoslodeltrminoperturbacinaleatoriasino
tambindelasvariablesexplicativasdelmodelo.
Desde un punto de vista matemtico la dificultad de esta endogeneidad para el anlisis

economtricoesqueelmtododeMCOnogeneraestimadoresconsistentesdelosparmetros.
Para estimar de manera consistente este modelo es necesario utilizar el mtodo de Variables
Instrumentales(VI),mtodoenelquesesustituyelavariablecorrelacionadaconlaperturbacin
(X)porunavariableinstrumental(Z)alaqueselepedirndoscondicionesparaserconsiderada
unbueninstrumento96:
Z no est correlacionada con la perturbacin, Cov( Z , ) 0 . Las variables no correlacionadas

conlaperturbacinsedenominanvariablesexgenas,porloqueestacondicinsedenomina
exogeneidaddelinstrumento97.
ZsiestcorrelacionadaconlavariableexplicativaendgenaX, Cov( Z , X ) 0 .EstoimplicaqueZ
debeestarrelacionadapositivaonegativamenteconlavariableexplicativaendgenaX,porlo
queestacondicinsedenominarelevanciadelinstrumento98.
Si se cumplen estas dos condiciones, el estimador de VI es consistente y est normalmente

distribuido,porloquelosprocedimientosdeinferenciadescritosparaelestimadordeMCOson
vlidos(estaspropiedadesdependendequelosinstrumentosseanrelevantes99yexgenos100).
95
Elcarcterdeterministadeunregresorimplicalaausenciadecorrelacinentreeseregresorylaperturbacin.Por
ello,unavariableseconsideraendgenasiestcorrelacionadaconlaperturbacinyexgenasinoloest.
96
Como el estimador de Variables Instrumentales no es insesgado y en muestras pequeas el sesgo puede ser
importante,esnecesarioqueeltamaomuestralseagrandecuandoseutilizaestatcnica.
97
UnacorrelacindbilentreZy implicalainconsistenciadelestimadordeVariablesInstrumentales.
98
UnacorrelacindbilentreZyXaumentaelsesgodelestimadordeVariablesInstrumentales.
99
Larelevanciadelosinstrumentosjuegaunpapelfundamental:

152
A priori noes posible contrastar la primeracondicin ya que la perturbacin es una variableno

observable,perosiesposiblecontrastarlasegundacondicinhaciendolaregresindelavariable
explicativaendgenasobreelinstrumentoycontrastandolanulidadindividualdelparmetroque
acompaaadichavariable.
Unodelosproblemasquesepresentaenestoscasosesquenohayunnicoinstrumento,muchas
variables pueden cumplir ambas condiciones, no estar correlacionadas con los factores no
observablesqueinfluyanenelregresando(perturbacin)yestarcorrelacionadasconlavariable
explicativaendgena.
ANLISISDELAEXOGENEIDADDELAMATRIZDEREGRESORES
TESTDEHAUSMAN
SeaelmodeloconKvariablesexplicativasexgenasyRvariablesexplicativasendgenas:
Yt 0 1 X 1t ... K X Kt 1 X 1*t 2 X 2*t ... R X Rt

*
t
El test de Hausman101 permite contrastar la hiptesis nula de que todos los regresores son
exgenos (estn incorrelados con la perturbacin) frente a la hiptesis alternativa de que las
variablesexplicativas X i* nosonexgenas(estncorreladasconlaperturbacin).
H 0 : Cov( X , ) 0 ( Exogeneidad )

H1 : Cov( X , ) 0 ( Endogeneidad )
El test de Hausman102 compara el estimador de Mnimos Cuadrados Ordinarios (MCO) con el

estimadordeVariablesInstrumentales(VI)103:
Laprecisindelestimadordependedelarelevanciadelosinstrumentos:amayorrelevanciadelinstrumento
mayorprecisindelestimador.
Ladistribucinnormaldelestimadordependedelarelevanciadelosinstrumentos:elempleodeinstrumentos
que expliquen poco la variabilidad de las variables explicativas endgenas (instrumentos dbiles) puede
afectargravementealainferencia(einclusoalaconsistenciadelestimador).
100
Laconsistenciadelestimadordependedelaexogeneidaddelosinstrumentos:silosinstrumentosnosonexgenos,
elestimadornoserconsistente.
101
Losregresores X i y X i* seconsideranortogonalesalaperturbacin.
102
Parapoderllevaracaboelcontraste,elnmerodeinstrumentostienequesercomomnimoigualalnmerode
variablesconproblemas.
103
SisedetectandiferenciassignificativasentrelosestimadoresdeMCOydeVIsesospechalaexistenciadevariables
explicativasendgenas.

TABLA DE CONTENIDO
153

W ( MCO VI )' V (VI ) V ( MCO )
1
( MCO VI ) R2
sd
Bajo la hiptesis nula de exogeneidad es preferible el estimador de MCO (consistente y

asintticamenteeficiente)alestimadordeVI(consistenteperomenoseficientequeeldeMCO).
Bajo la hiptesis alternativa de endogeneidad no es preferible el estimador de MCO

(inconsistente)alestimadordeVI(menoseficientequeeldeMCOperoconsistente).
EnocasioneseltestdeHausmannosepuedecalculardeestaformaporqueladiferenciadelos
vectoresdeestimacinpuedesernegativa.Enestoscasos,unaformaalternativadellevaracabo
elcontrastedeHausmanparaelcasodeRvariablespotencialmenteendgenases:
1. Estimar por MCO cada una de las variables con problemas en funcin de todos los
instrumentos104ycalcularlosresiduos:
X 1*t 0 1 X 1t ... K X Kt 1Z1t 2 Z 2t ... L Z Lt X * e X * X 1*t X 1*t

1t 1t
X 2*t 0 1 X 1t ... K X Kt 1Z1t 2 Z 2t ... L Z Lt X * e X * X 2*t X 2*t

2t 2t
...
*
X Rt 0 1 X 1t ... K X Kt 1Z1t 2 Z 2t ... L Z Lt X * e X * X Rt
*
X Rt
*

Rt Rt
2. Estimar por MCO el modelo original incluyendo como R regresores adicionales los residuos
calculados:

*
1e 2 e ... R e . t
X1*t X 2*t *
X Rt
3. Contrastar la significacin conjunta de dichos residuos ( H 0 : 1 2 ... R 0 ) mediante el

estadstico:
SCE MO SCE MA sd
H T * R2
SCE MA
donde:
SCE MO eslaSCEdelmodelooriginal
SCE MA eslaSCEdelmodeloampliado(incluyelosRresiduoscomoregresoresadicionales)
Reselnmerodevariablespotencialmenteendgenas
104
Losinstrumentosdelasvariablessinproblemassonlaspropiasvariables.

154
Siseconcluyequelosresiduossonconjuntamentesignificativos,elloindicaquealmenosunade
lasvariablesexplicativaspotencialmenteendgenaloesenrealidad.
TESTDEINSTRUMENTODBILOTESTDEVALIDEZDEINSTRUMENTOS
El test de instrumento dbil o test de validez de instrumentos contrasta si las variables
instrumentales influyen conjuntamente o no en la estimacin de las variables con problemas105
(hiptesis nula de debilidad de los instrumentos, que originara problemas en la estimacin
bietpicadeVariablesInstrumentales):
X it* 0 1 X 1t ... K X Kt 1 Z1t 2 Z 2t ... L Z Lt i 1,2,..., R

X it*
H 0 : 1 2 ... L 0

H1 : todos o alguno 0
Los instrumentos sern dbiles si todos sus coeficientes son nulos o estn cercanos a cero. Los
instrumentos dbiles explican muy poco la variacin del regresando y en este caso, los
coeficientesestimadosporVariablesInstrumentalessernmuysensiblesacambiosenlamuestra.
TESTDEINSTRUMENTODBIL:ESTADSTICOFDELAPRIMERAETAPA
CuandohayunsoloregresorconproblemaselcontrastesereduceaunestadsticoFylareglade
decisinsugierequesiF>10losinstrumentossonrelativamentefuertes.
EnestecasonoseutilizaelvalorcrticodelaFparatomarladecisinpordosrazones:
- LosestimadoresdeVI(aunqueconsistentes)sonsesgadosenmuestraspequeasyelsesgoes
inversamenteproporcionalalvalordelestadsticoF(porejemplo,F=10esaproximadamente
equivalentea1/F=10%desesgoenlamayoradeloscasos).
- La debilidad de los instrumentos afecta a la distribucin asinttica de los estadsticos t y F

habituales.
Porello,enestecaso,sedebenutilizarlosvalorescrticostabuladosporStockyYogo(2005)para
darunaideadeculeseltamaorealdeltestdedebilidaddeinstrumentos.
TESTDEINSTRUMENTODBIL:ESTADSTICOFDECRAGGDONNALD
Unasolucinparaidentificarladebilidaddelosinstrumentosenmodelosconmsdeunregresor
endgenosebasaenelusodelas correlacionescannicas.Lascorrelacionescannicassonuna
105
Sienelmodelohayunanicavariableconproblemas,aesteestadsticoseledenominaestadsticoFdelaprimera
etapa.

TABLA DE CONTENIDO
155
generalizacin del concepto de correlacin entre dos variables e intentan describir la asociacin
entredosconjuntosdevariables.
Untestparalaidentificacindeladebilidaddelosinstrumentos106estbasadoenelestadsticoF
deCraggDonald:
min ri2
FC D T ( K 1) L i 1,2,..., R
L (1 min ri2 )
donde:
Teseltamaomuestral
Relnmeroderegresoresconproblemas
(K+1)elnmeroderegresoressinproblemas(incluidoelregresorficticio)
Lelnmerodeinstrumentosexternos(losnoincluidosenlaregresin)
El nmero de correlaciones cannicas depende del nmero de variables de cada conjunto, por
ejemplo,sihaydosvariablesenelprimerconjuntoydos variablesenelsegundoconjunto,hay
doscorrelacionescannicas(r1yr2).
ElestadsticodeCraggDonaldsereducealestadsticoFdeinstrumentosdbilescuandohayun
nico regresor con problemas (R=1). Para tener en cuenta los problemas que ocasionan la
debilidad de los instrumentos, los valores crticos para este estadstico han sido tabulados por
StockyYogo(2005).
TESTDESARGAN
EltestdeSargansolamentesecalculaparamodelossobreidentificados,esdecir,modelosenlos
quehaymsinstrumentosqueregresoresendgenos.
Dadoelmodelo:

*
t
UnaformaderealizarelcontrastedeSarganes:
1. Estimar el modelo por Mnimos Cuadrados en dos Etapas (MC2E) utilizando todos los
instrumentos(L>R)ycalcularlosresiduos (eMC 2E )
106
Losinstrumentosestncorrelacionadosconlosregresoresendgenos(correlacindbil).

156
2. Estimar por MCO los residuos en funcin nicamente de las variables instrumentales:
eMC 2 E 0 1Z1t ... L Z Lt t
t
3. Calcular el estadstico TR2, que bajo la hiptesis nula ( H 0 : 1 2 ... L 0 ) se distribuye

aproximadamentecomounachicuadradocuyosgradosdelibertadcoincidenconelnmero
deinstrumentosquesobraran(LR).
COMANDO PARA ANALIZAR LA NO ALEATORIEDAD DE LOS

REGRESORES:tsls
El comando tsls107 proporciona la estimacin del modelo por el mtodo de Variables
Instrumentales(VI).Elformatodedichocomandoes:
tslsvariabledependientevariablesindependientes;instrumentosopciones
Algunasdelasopcionesdisponiblesconelcomandotslsson:
vcvmuestralamatrizdevarianzascovarianzasestimada
Lasalidaestndardelcomandotslses:
? tsls Y const X1 XK ; const X1 XK-R Z1 ZL
Modelo 1: MC2E, usando las observaciones 1-T

Mediante Instrumentos: Z1 ... ZL
Instrumentos: const X1 ... XK Z1 ... ZL
Coeficiente Desv. Tpica z Valor p

----------------------------------------------------------
const b0 Sb t0 pvt0
0
X1 b1 Sb1 t1 pvt1
X2 b2 S b2 t2 pvt2

XK bK SbK tK pvt K
Media de la vble. dep. Y D.T. de la vble. dep. SY

Suma de cuad. residuos SCE D.T. de la regresin S
R-cuadrado R2 R-cuadrado corregido R2
F(K, T-K-1) F2 Valor p (de F) pv F2
Contraste de Hausman -
Hiptesis nula: Los estimadores de MCO son consistentes
Estadstico de contraste asinttico: Chi-cuadrado(1) = TH
con valor p = pvTH
Contraste de sobreidentificacin de Sargan -

Hiptesis nula: todos los instrumentos son vlidos
Estadstico de contraste: LM = TS
107
Otra forma de acceder a esta informacin es seleccionar Mnimos cuadrados en dos etapas en el submen
VariablesinstrumentalesdelmenModelodelaVentanaPrincipal.

TABLA DE CONTENIDO
157
con valor p = P(Chi-cuadrado(1) > TS) = pvTS
Contraste de Instrumento dbil -

Estadstico F de la primera etapa (gln, gld) = F
Valores crticos para el tamao maximal deseado de MC2E, cuando
los contrastes se ejecutan a un nivel de significacin nominal del 5%:
tamao 10% 15% 20% 25%

valor vc10 vc15 vc20 vc25
El tamao maximal probablemente es menor que %
Observacin1:elmodeloincluyeK+1regresores,deloscualesseconsideraquelosRltimos(XK
R, XKR+1, , XK) presentan problemas de correlacin contempornea con las perturbaciones y L
variablesinstrumentales(Z1,Z2,,ZL).
Observacin 2: en la escritura del comando despus del punto y coma (;) figuran las variables
instrumentales y se debe especificar al menos una para cada uno de los regresores del modelo.
Para los regresores que no presenten problemas de correlacin contempornea con las
perturbaciones, los mejores instrumentos son ellos mismos (const X1 XKR). Para los regresores
con problemas de correlacin contempornea con las perturbaciones, se utilizan las variables
instrumentales108(Z1Z2ZL).
Observacin3:siemprequeseejecuteuncomandotslsGretlproporcionaeltestdeHausmanyel
test de instrumento dbil. El test de Sargan slo lo proporciona si el nmero de variables
instrumentalesessuperioralnmeroderegresoresconproblemasdecorrelacincontempornea
conlasperturbaciones.
GENERACINDELINSTRUMENTO:MTODODEWALD
SesuponequeX1esunavariablecorrelacionadacontemporneamenteconlaperturbacin,porlo
queutilizandoelmtododeWald,secreaunavariableinstrumentaldenominadaZ1.Enestecaso
sehautilizadoelficherodatos5.gdt109:
# 1. Generar la variable de ordenacin
? t = time
# 2. Ordenar los datos en funcin de los valores crecientes de X1

? dataset sortby X1
# 3. Generar la variable instrumental
? smpl 1 15
? Z1 = -1
108
Parapoderrealizarlaestimacindelmodelo,elnmerodevariablesinstrumentalesdebesercomomnimoigualal
nmeroderegresoresconproblemas( L R ).
109
El fichero datos5.gdt contiene informacin relativa a 30 familias para las variables: consumo familiar mensual
mediodeaceitedeolivaenlitros(Y),preciomediodecompradelaceitedeolivaeneuros/litro(X1),ingresosfamiliares

158
Se ha generado la serie Z1 (ID 6)
? smpl 16 30
? Z1 = 1
Se ha reemplazado la serie Z1 (ID 6)
? smpl 1 30
# 4. Ordenar los datos en funcin de los valores crecientes de t

? dataset sortby t
RELEVANCIADELINSTRUMENTO
Paraquelosinstrumentosseanrelevantesdebenestarcorrelacionadosconlavariableexplicativa
endgenaalaqueinstrumentalizan110.
? ols X1 const Z1 X2 --simple
Variable dependiente: X1
----------------------------------------------------------------
const 2.35603 0.315981 7.456 5.08e-08 ***
Z1 0.205160 0.0330740 6.203 1.24e-06 ***
X2 0.000109051 0.000299017 0.3647 0.7182
SCR = 0.848195, R-cuadrado = 0.593111
Los coeficientes de regresin tambin se denominan coeficientes de regresin parcial, pues

midenelefectoqueocasionansobrelavariableexplicadaloscambiosenlavariableexplicativaa
laqueacompaancuandoestnpresentesotrasvariables.Esdecir,sepuedenconsiderarcomo
unamedidadelefectocausal,unavezneutralizadas,tantoenelregresandocomoenelregresor,
lasvariacionescausadasporelrestodelasvariablesexplicativasincluidasenelmodelo.Porello,
el coeficiente estimado de la variable instrumental Z1 en el modelo estimado111, se puede
interpretarcomo una medida delefecto causal de la variable instrumental (Z1)sobre la variable
conproblemas(X1),unavezeliminadoenambaselefectodelosregresoressinproblemas112.
? ols X1 const X2 --quiet
? e1 = $uhat
? ols Z1 const X2 --quiet

? e2 = $uhat
? ols e1 e2 --simple
Variable dependiente: e1
----------------------------------------------------------------
110
Cuantomayorsealacorrelacinmejorserelinstrumento.
111
PrimeraetapadeMC2E.
112
Tambindenominadosvariablesinstrumentalesinternas(constyX2).

TABLA DE CONTENIDO
159
e2 0.205160 0.0319131 6.429 4.95e-07 ***
SCR = 0.848195, R-cuadrado = 0.587647
A la correlacin entre dos variables eliminado el efecto de otras variables se le denomina

correlacinparcialyjuegaunpapelmuyimportanteenlacontrastacindeinstrumentosdbiles.
? corre1e2 = corr(e1,e2)
Se ha reemplazado el escalar corre1e2 = 0.766581
? R2e1e2 = corre1e2^2
Se ha reemplazado el escalar R2e1e2 = 0.587647
LacorrelacinparcialentreX1yZ1es0.766581.
ESTIMACINMCO:COMANDOols
? ols Y const X1 X2


-----------------------------------------------------------------
const 10.8610 0.742408 14.63 2.35e-014 ***
X1 -3.62498 0.199319 -18.19 1.12e-016 ***
X2 0.00830352 0.000475016 17.48 3.00e-016 ***

F(2, 27) 359.5240 Valor p (de F) 3.48e-20
? genr B = $coeff
Se ha generado la matriz B
? genr SB = $stderr
Se ha generado la matriz SB
? genr VB = $vcv
Se ha generado la matriz VB
? print B SB VB
B (3 x 1)
10.861
-3.6250
0.0083035
SB (3 x 1)
0.74241
0.19932
0.00047502
VB (3 x 3)
0.55117 -0.10961 -0.00026411
-0.10961 0.039728 1.0899e-005
-0.00026411 1.0899e-005 2.2564e-007
ESTIMACINPORVI:COMANDOtsls
? tsls Y const X1 X2 ; const Z1 X2
Modelo 2: MC2E, usando las observaciones 1-30

Mediante Instrumentos: X1
Instrumentos: const Z1 X2

160

----------------------------------------------------------
const 11.4533 0.892290 12.84 1.03e-037 ***
X1 -3.83967 0.265538 -14.46 2.17e-047 ***
X2 0.00824462 0.000487364 16.92 3.39e-064 ***

F(2, 27) 290.6909 Valor p (de F) 5.46e-19
Estadstico de contraste asinttico: Chi-cuadrado(1) = 1.95686
con valor p = 0.16185

Estadstico F de la primera etapa (1, 27) = 38.4779
tamao 10% 15% 20% 25%

valor 16.38 8.96 6.66 5.53
El tamao maximal probablemente es menor que 10%
? genr BVI = $coeff

Se ha generado la matriz BVI
? genr SBVI = $stderr

Se ha generado la matriz SBVI
? genr VBVI = $vcv

Se ha generado la matriz VBVI
? print BVI SBVI VBVI

BVI (3 x 1)
11.453
-3.8397
0.0082446
SBVI (3 x 1)
0.89229
0.26554
0.00048736
VBVI (3 x 3)
0.79618 -0.19454 -0.00029747
-0.19454 0.070510 1.9344e-005
-0.00029747 1.9344e-005 2.3752e-007
Observacin: no aparece el test de Sargan ya que el nmero de variables instrumentales (Z1) es

igualalnmeroderegresoresconproblemas(X1).
DeacuerdoconeltestdeHausman,losestimadoresdeMCOsonconsistentesyasintticamente
eficientesparacualquierniveldesignificacinmenoroigualal16.18%( p valor 0.16185 ).
# Contraste de Sargan
? ols X1 const Z1 X2 --quiet
? restrict --quiet
? b[Z1]=0
? end restrict
Restriccin:
b[Z1] = 0
Estadstico de contraste: F(1, 27) = 38.4779, con valor p = 1.24118e-006

TABLA DE CONTENIDO
161
Cuando hay un solo regresor con problemas, el contraste se reduce a un estadstico F para
contrastarlahiptesisdequelosinstrumentosnoentranenlaprimerafasedelaestimacinde
VI.

162
CLCULOS
ESTIMACINPORVI:ESTIMACINMCOENDOSETAPAS
EnpresenciadeendogeneidadelestimadordeMCOdaalavariableexplicativamsimportancia
de la que le corresponde (en este caso, el coeficiente estimado del parmetro que acompaa a
dichavariabletiendeasobreestimarelverdaderoefectodelavariableexplicativasobrelavariable
dependiente). Por ello, es necesario un procedimiento alternativo para la obtencin de
estimadores consistentes en presencia del problema de endogeneidad entre las variables
explicativas.
Sesuponequelavariacindelasvariablesexplicativastienedoscomponentes:unacomponente
que est correlacionada con el termino perturbacin (causante de la endogeneidad) y otra
componentequenoloest.Sisepudieraaislarlapartenocorrelacionada,seraposiblecentraren
ellaelclculodelosestimadores,desechandoconellolapartecorrelacionada,queeslacausante
delsesgodelosestimadoresMCO.
El estimador de VI utiliza variables ajenas al modelo original para separar las componentes
correlacionadas y no correlacionadas de las variables explicativas. Los instrumentos (Z) deben
cumplirdoscondiciones:
Relevancia:Cov(Z,X) 0siuninstrumentoesrelevantesuvariacinestarrelacionadacon
lavariacindelavariableexplicativaqueinstrumentaliza.
Exogeneidad:Cov(Z, )=0siuninstrumentoesexgenolapartedevariacindelavariable
explicativa que instrumentaliza slo correspondera a la parte de variacin exgena (no
correlacionadaconeltrminodeperturbacin).
Trasladar estas condiciones al contexto de la estimacin de los coeficientes del modelo de

regresin,suponedefinirunestimadordevariablesinstrumentalesendosetapas.

*
t
ElmtododeVIseconsiderabietpicoporqueaplicaMCOdosveces:
- Primera etapa: se estiman por MCO las variables con problemas en funcin de todos los
instrumentos(internosyexternos)yseobtienenlascorrespondientesestimaciones.
X 1*t 0 1 X 1t ... K X Kt 1Z1t 2 Z 2t ... L Z Lt X * X 1*t
1t
X 2*t 0 1 X 1t ... K X Kt 1Z1t 2 Z 2t ... L Z Lt X * X 2*t

2t
...

TABLA DE CONTENIDO
163
*
X Rt 0 1 X 1t ... K X Kt 1Z1t 2 Z 2t ... L Z Lt X * X Rt*
Rt
- Segunda etapa: se estima por MCO el modelo inicial sustituyendo las variables endgenas
explicativas(variablesconproblemas)porlasestimacionesobtenidasenlaprimeraetapa.
Yt 0 1 X 1t ... K X Kt 1 X 1*t 2 X 2*t ... R X Rt* t
# Primera etapa
? X1e = $yhat
Se ha generado la serie X1e (ID 8)
# Segunda etapa
? ols Y const X1e X2
----------------------------------------------------------------
const 11.4533 1.98730 5.763 3.96e-06 ***
X1e 3.83967 0.591404 6.492 5.84e-07 ***
X2 0.00824462 0.00108545 7.596 3.60e-08 ***
F(2, 27) 58.60251 Valor p (de F) 1.50e-10
Observacin:slolosestimadoresMCOdelosparmetrosdelasegundaetapacoincidenconlos
estimadoresdelosparmetrosdeVIyelrestodelasalidanocoincide.
TESTDEHAUSMAN

*
t
H 0 : Cov( X , ) 0 ( Exogeneidad )

H1 : Cov( X , ) 0 ( Endogeneidad )
SCE MO SCE MA sd
H T * R2
SCE MA
donde:
SCE MO eslaSCEdelmodelooriginal
SCE MA eslaSCEdelmodeloampliado(incluyelosRresiduoscomoregresoresadicionales)
Reselnmerodevariablespotencialmenteendgenas
# Se estima la variable con problemas en funcin de todos los instrumentos y se calculan los
residuos
? eX1 =$uhat
Se ha generado la serie eX1 (ID 7)
# Se estima el modelo original aadiendo como regresores adicionales los residuos y se calcula la
SCE
? ols Y const X1 X2 eX1 --quiet

164
? SCESR = $ess
Se ha generado el escalar SCESR = 2.07132
# Se estima el modelo original y se calcula la SCE

? SCER = $ess
Se ha generado el escalar SCER = 2.20643
# Se calcula el test de Hausman

? H = $T * ((SCER-SCESR)/SCESR)
Se ha generado el escalar H = 1.95686
# Se calcula el p-valor
? pvH = pvalue(X,1,H)
Se ha generado el escalar pvH = 0.16185
# Se calcula el valor crtico

? vcH = critical(X,1,0.05)
Se ha generado el escalar vcH = 3.84146
Enestecaso,como H = 1.95686 2R ( ) 12 ( 0.05 ) 3.84146 , seaceptaquelosestimadoresdeMCO

sonconsistentesyasintticamenteeficientesal5%yparacualquierniveldesignificacinmenoro
igualal16.19%( p valor 0.16185 ).
Hayquesealarquepararealizarestecontrastesepodrautilizarlaversint,enlaestimacin
del modelo original aadiendo como regresores adicionales los residuos de la regresin de la
variableconproblemasenfuncindetodoslosinstrumentos:
? ols Y const X1 X2 eX1
-----------------------------------------------------------------
const 11.4533 0.862669 13.28 4.32e-013 ***
X1 3.83967 0.256723 14.96 2.76e-014 ***
X2 0.00824462 0.000471185 17.50 6.66e-016 ***
eX1 0.520638 0.399789 1.302 0.2042
F(3, 26) 246.4259 Valor p (de F) 3.31e-19
Sin considerar la constante, el valor p ms alto fue el de la variable 9 (e)
OtambinpodrautilizarselaversinF:
? restrict --quiet
? b[eX1]=0
? end restrict
Restriccin:
b[eX1] = 0
Observacin 1: recordar la equivalencia entre estos contrastes ( t 2 qF q 2 ), donde q es el

nmeroderestricciones.
Observacin2:laversintdeStudentsloestdisponiblecuandoenelcontrasteintervieneuna
nicarestriccin.
Observacin 3: en este caso (una sola restriccin) las versiones F y 2 deberan coincidir, no lo
hacenporquecuandoseutilizaelcomandorestrictparaelclculodeFGretlutilizalosgradosde
libertaddelmodelo,mientrasqueparaelclculodeltestdeHausmanutilizaeltamaomuestral.

TABLA DE CONTENIDO
165
Por lo tanto, si se multiplica el estadstico F obtenido con el comando restric por la ratio de los
gradosdelibertadentreeltamaomuestral,seobtieneeltestdeHausmandelasalidatsls:
? Stsls = ($T/$df)*1.69594
Se ha generado el escalar Stsls = 1.95685
TESTDEINSTRUMENTODBILOTESTDEVALIDEZDEINSTRUMENTOS
TESTDEINSTRUMENTODBIL:ESTADSTICOFDELAPRIMERAETAPA
X it* 0 1 X 1t ... K X Kt 1 Z1t 2 Z 2t ... L Z Lt i 1,2,..., R
X it*
H 0 : 1 2 ... L 0

H1 : todos o alguno 0
? restrict --quiet
? b[Z1]=0
? end restrict
Restriccin:
b[Z1] = 0
Estadstico de contraste: F(1, 27) = 38.4779, con valor p = 1.24118e-006
Cuandohayunsoloregresorconproblemas,eltestsereduceaunestadsticoFparacontrastarla
hiptesisdequelosinstrumentosnoentranenlaprimerafasedelaestimacindeVI.
TESTDEINSTRUMENTODBIL:ESTADSTICOFDECRAGGDONNALD
min ri 2
FC D T ( K 1) L i 1,2,..., R
L (1 min ri 2 )
donde:
Teseltamaomuestral
Relnmeroderegresoresconproblemas
(K+1)elnmeroderegresoressinproblemas(incluidoelregresorficticio)
Lelnmerodeinstrumentosexternos(losnoincluidosenlaregresin)
? tsls Y const X1 X2 ; const Z1 X2

Instrumentos: const Z1 X2

----------------------------------------------------------
const 11.4533 0.892290 12.84 1.03e-037 ***
X1 3.83967 0.265538 14.46 2.17e-047 ***
X2 0.00824462 0.000487364 16.92 3.39e-064 ***


166
F(2, 27) 290.6909 Valor p (de F) 5.46e-19

tamao 10% 15% 20% 25%

valor 16.38 8.96 6.66 5.53
Hayunregresorendgeno(X1),uninstrumentoexterno(Z1)ydosinstrumentosinternos(consty
X2).
# Tamao muestral
? T = $T
# Nmero de regresores con problemas

? RCP = 1
Se ha reemplazado el escalar B = 1
# Nmero de regresores sin problemas (incluido el regresor ficticio)

? RSP = 2
Se ha reemplazado el escalar G = 2
# Nmero de VI (instrumentos externos)

? L =1
Se ha reemplazado el escalar L = 1
Se calculan los residuos de las regresiones de los regresores con problemas y de las variables
instrumentalessobrelosregresoressinproblemas:
? series e1 = $uhat

? series e2 = $uhat
Secalculalacorrelacincannicaentrelaseriederesiduose1ye2:
- Secreandosconjuntosdevariables.Elprimerconjuntoincluyee1(residuosdelaregresindel
regresorendgenosobrelosinstrumentosinternos)ysecrealamatrizE1.Elsegundogrupo
incluyee2(residuosdelaregresindelinstrumentoexternosobrelosinstrumentosinternos)y
secrealamatrizE2.
- Secalculalacorrelacincannicaentreambosgrupos.
# Clculo de las correlaciones cannicas
list E1 = e1
Se ha reemplazado la lista 'E1'
list E2 = e2
function matrix cc(list E1, list E2)

matrix mY = cdemean({E1})
matrix mX = cdemean({E2})

TABLA DE CONTENIDO
167
matrix YX = mY'mX
matrix XX = mX'mX
matrix YY = mY'mY
matrix ret = eigsolve(qform(YX, invpd(XX)), YY)
return sqrt(ret)
end function
l = cc(E1, E2)
Se ha reemplazado la matriz l = {0.766581}
print l
l (1 x 1)
0.76658
scalar mincc = minc(l)

Se ha reemplazado el escalar mincc = 0.766581
scalar cd = (T-RSP-L)*(mincc^2)/(L*(1-mincc^2))
Se ha reemplazado el escalar cd = 38.4779
printf "\nEl estadstico de Cragg-Donald es %10.4f\n",cd

El estadstico de Cragg-Donald es 38.4779.
Paraunniveldesignificacindel5%yunsesgodel10%elvalortabuladoporStockyYogo(2005)
esde16.38.Enestecaso,dadoqueF=38.47>16.38,seconcluyequeelsesgoesmenorqueel
10% (1/38.47 = 2.6%), por lo que se esperara que el estimador de VI basado en estos
instrumentosfuertestuvieseunsesgorelativamentepequeo.
Observacin: En Gretl la funcin que se utiliza para calcular las correlaciones cannicas es la
ofertada por Ricardo Lucchetti. La funcin se denomina cc y tiene dos argumentos, que son las
listas de variables que contienen los nombres de las variables de los dos grupos, de las cuales
deseamos calcular las correlaciones cannicas. Despus, las variables de cada grupo son
demandadas utilizando la funcin cdmean. Esta funcin centra las columnas de la matriz
argumentada alrededor de las medias de las columnas. A continuacin se calculan varios
productos cruzados (YX, XX, YY) y los autovalores para |QYY|=0, donde Q=(YX)(XX)1(YX).
Despus, se calcula el valor del estadstico F de CraggDonald, tomando los dos conjuntos de
residuos y utilizando la funcin cc para calcular las correlaciones cannicas. Y, por ltimo, se
calculaeltestdeCraggDonald.
? tsls Y const X1 X2 ; const Z1 Z2

Mediante Instrumentos: X1 X2
Instrumentos: const Z1 Z2

----------------------------------------------------------
const 12.1480 1.05960 11.46 1.98e-030 ***
X1 3.89860 0.278213 14.01 1.30e-044 ***
X2 0.00772224 0.000635020 12.16 5.04e-034 ***

F(2, 27) 220.2027 Valor p (de F) 1.92e-17

168
con valor p = 0.0981584

Mnimo valor propio de Cragg-Donald = 15.8714
tamao 10% 15% 20% 25%

valor 7.03 4.58 3.95 3.63
Hay dos regresores endgenos (X1 y X2), dos instrumentos externos (Z1 y Z2) y un instrumento
interno(const).
# Tamao muestral
? T = $T

? RCP = 2
Se ha generado el escalar B = 2

? RSP = 1
Se ha generado el escalar G = 1

? L =2
Se ha generado el escalar L = 2
? scalar df = $df
Se ha generado el escalar df = 27
? ols X1 const --quiet

? series e1 = $uhat
? ols X2 const --quiet

? series e2 = $uhat
? ols Z1 const --quiet

? series e3 = $uhat
? ols Z2 const --quiet

? series e4 = $uhat
Secalculanlascorrelacionescannicasentrelasseriesderesiduose1,e2,e3ye4:
- Se crean dos conjuntos de variables. El primer conjunto incluye e1 y e2 (residuos de las

regresionesdelosregresoresendgenossobrelosinstrumentosinternos)ysecrealamatriz
E1.Elsegundogrupoincluyee3ye4(residuosdelasregresionesdelosinstrumentosexternos
sobrelosinstrumentosinternos)ysecrealamatrizE2.
- Secalculanlascorrelacionescannicasentreambosgrupos.
list E1 = e1 e2
Se ha generado la lista E1
list E2 = e3 e4

TABLA DE CONTENIDO
169
Se ha generado la lista E2

matrix YX = mY'mX
matrix XX = mX'mX
matrix YY = mY'mY
return sqrt(ret)
end function
l = cc(E1, E2)
Se ha generado la matriz l
print l
l (2 x 1)
0.73510
0.82579

Se ha generado el escalar mincc = 0.735098
Se ha generado el escalar cd = 15.8714

El estadstico de Cragg-Donald es 15.8714
esde7.03.Enestecaso,dadoqueF=15.87>7.03,seconcluyequeelsesgoesmenorqueel10%
(1/15.87 = 6.3%), por lo que se esperara que el estimador de VI basado en estos instrumentos
fuertestuvieseunsesgorelativamentepequeo.
? tsls Y const X1 X2 ; const X1 Z1 Z2

Instrumentos: const X1 Z1 Z2

----------------------------------------------------------
const 11.3619 0.863459 13.16 1.52e-039 ***
X1 3.64565 0.203040 17.96 4.36e-072 ***
X2 0.00787555 0.000601840 13.09 3.97e-039 ***

F(2, 27) 286.3247 Valor p (de F) 6.63e-19

Estadstico de contraste: LM = 2.3349

tamao 10% 15% 20% 25%

170
valor 19.93 11.59 8.75 7.25
Hayunregresorendgeno(X2),dosinstrumentosexternos(Z1yZ2)ydosinstrumentosinternos
(constyX1).
# Tamao muestral
? T = $T

? B = 1

? G = 2

? L =2
? series e1 = $uhat

? series e2 = $uhat

? series e3 = $uhat
Secalculanlascorrelacionescannicasentrelasseriesderesiduose1,e2ye3:
- Secreandosconjuntosdevariables.Elprimerconjuntoincluyee1(residuosdelaregresindel
regresorendgenosobrelosinstrumentosinternos)ysecrealamatrizE1.Elsegundogrupo
incluye e2 y e3 (residuos de las regresiones de los instrumentos externos sobre los
instrumentosinternos)ysecrealamatrizE2.
- Secalculanlascorrelacionescannicasentreambosgrupos.
list E1 = e1
list E2 = e2 e3

matrix YX = mY'mX
matrix XX = mX'mX
matrix YY = mY'mY
return sqrt(ret)
end function
l = cc(E1, E2)
Se ha reemplazado la matriz l = {0.801049}
print l
l (1 x 1)
0.80105

TABLA DE CONTENIDO
171

Se ha reemplazado el escalar mincc = 0.801049
Se ha reemplazado el escalar cd = 23.2803

El estadstico de Cragg-Donald es 23.2803
esde19.93.Enestecaso,dadoqueF=23.38>19.93,seconcluyequeelsesgoesmenorqueel
10% (1/23.38 = 4.3%), por lo que se esperara que el estimador de VI basado en estos
instrumentosfuertestuvieseunsesgorelativamentepequeo.
TESTDESARGAN
*
t
? tsls Y const X1 X2 ; const X1 Z1 Z2

Instrumentos: const X1 Z1 Z2

----------------------------------------------------------
const 11.3619 0.863459 13.16 1.52e-039 ***
X1 3.64565 0.203040 17.96 4.36e-072 ***
X2 0.00787555 0.000601840 13.09 3.97e-039 ***

F(2, 27) 286.3247 Valor p (de F) 6.63e-19

Estadstico de contraste: LM = 2.3349

tamao 10% 15% 20% 25%

valor 19.93 11.59 8.75 7.25
# Tamao muestral
? T = $T

? RCP = 1

172
? RSP = 2

? L =2
# Nmero de VI que sobraran

? glChi = L-RCP
Se ha generado el escalar glChi = 1
? eMC2E = $uhat
Se ha generado la serie eMC2E (ID 12)
? ols eMC2E const X1 Z1 Z2 --quiet

? TS = T*$rsq
Se ha generado el escalar TS = 2.3349
? pvTS = pvalue(X, glChi, TS)

Se ha generado el escalar pvTS = 0.126503
Se concluye que todos los instrumentos son vlidos al 5% y para cualquier nivel de significacin
menoroigualal12.65%( p valor 0.126503 ).
ESTIMACIN POR MNIMOS CUADRADOS ORDINARIOS Y POR VARIABLES

INSTRUMENTALESUTILIZANDOLGEBRAMATRICIAL
b ( X ' X ) 1 X ' Y
SCE Y ' Y b' X ' Y
SCE
S2
T K 1
V (b) S 2 ( X ' X ) 1
# Estimacin MCO utilizando lgebra matricial
? X = {const, X1, X2}

Se ha generado la matriz X
? YV = {Y}
Se ha generado la matriz YV
? XTX = X'X
Se ha generado la matriz XTX
? B = inv(X'X)*(X'YV)
Se ha reemplazado la matriz B
? SCE = YV'YV-B'X'YV
Se ha generado el escalar SCE = 2.20643
? S2 = SCE/(30-2-1)
Se ha generado el escalar S2 = 0.0817195
? VB = S2*inv(X'X)
Se ha reemplazado la matriz VB
? SB = sqrt(diag(VB))
Se ha reemplazado la matriz SB

TABLA DE CONTENIDO
173
? print XTX B SCE S2 VB SB
XTX (3 x 3)
30.000 74.120 31535.
74.120 185.21 77812.
31535. 77812. 3.3516e+007
B (3 x 1)
10.861
-3.6250
0.0083035
SCE = 2.2064266
S2 = 0.081719504
VB (3 x 3)
0.55117 -0.10961 -0.00026411
-0.10961 0.039728 1.0899e-005
-0.00026411 1.0899e-005 2.2564e-007
SB (3 x 1)
0.74241
0.19932
0.00047502
b * ( Z ' X ) 1 Z ' Y
SCE * Y ' Y 2b * X ' Y b * ' X ' Xb *
SCE *
S*
2

T K 1
V (b * ) S * ( Z ' X ) 1 ( Z ' Z )( X ' Z ) 1

2
# Estimacin VI utilizando lgebra matricial
? Z = {const, Z1, X2}

Se ha generado la matriz Z
? YV = {Y}
Se ha reemplazado la matriz YV
? ZTX = Z'X
Se ha generado la matriz ZTX
? SCEVI = YV'YV-2*BVI'X'YV+BVI'X'X*BVI
Se ha generado el escalar SCEVI = 2.30123
? S2VI = SCEVI/(30-2-1)
Se ha generado el escalar S2VI = 0.0852308
? VBVI = S2VI*(inv(Z'X)*Z'Z*inv(X'Z))
Se ha reemplazado la matriz VBVI
? SBVI = sqrt(diag(VBVI))
Se ha reemplazado la matriz SBVI
? print ZTX BVI SCEVI S2VI VBVI SBVI

ZTX (3 x 3)
30.000 74.120 31535.
0.0000 6.0800 -685.88
31535. 77812. 3.3516e+007
BVI (3 x 1)
11.453
-3.8397

174
0.0082446
SCEVI = 2.3012329
S2VI = 0.085230847
VBVI (3 x 3)
0.79618 -0.19454 -0.00029747
-0.19454 0.070510 1.9344e-005
-0.00029747 1.9344e-005 2.3752e-007
SBVI (3 x 1)
0.89229
0.26554
0.00048736

TABLADECONTENIDO
MULTICOLINEALIDAD...................................................................................................................1
Introduccin.........................................................................................................................................1
Deteccindemulticolinealidad.............................................................................................................2
Criteriosdescriptivos.................................................................................................................................................2
Criteriosestadsticos.................................................................................................................................................2
Comandosparaanalizarlamulticolinealidad........................................................................................7
Comandools.............................................................................................................................................................7
Comandocorr............................................................................................................................................................9
Comandogenrmatrixoperadoresmcorrydet........................................................................................................9
Comandogenrmatrixoperadoreigengen..............................................................................................................10
Comandovif............................................................................................................................................................13
Comandopca..........................................................................................................................................................14
Solucionesalamulticolinealidad........................................................................................................15
Aumentareltamaomuestral................................................................................................................................15
Eliminarregresores.................................................................................................................................................17
Suministrarinformacinadicional..........................................................................................................................19
Clculos..............................................................................................................................................20
Coeficientesdecorrelacinlineal...........................................................................................................................20
Matrizdecorrelacin..............................................................................................................................................21
Determinantedelamatrizdecorrelacin..............................................................................................................21
R 2 auxiliares..........................................................................................................................................................21
FactoresdeIncrementodelaVarianza...................................................................................................................22
Tolerancias..............................................................................................................................................................22
Autovalores.............................................................................................................................................................23
NmerosdeCondicin............................................................................................................................................23
ndicesdeCondicin...............................................................................................................................................23
ProporcionesdeDescomposicindelaVarianza...................................................................................................24
ndicedemulticolinealidad.....................................................................................................................................26
TestdeFarraryGlauber..........................................................................................................................................26
Comprobaciones.................................................................................................................................29
Coeficientesdecorrelacinlineal...........................................................................................................................29
Matrizdecorrelacin..............................................................................................................................................30
NORMALIDAD............................................................................................................................33
Introduccin.......................................................................................................................................33
Deteccindelanonormalidaddelasperturbaciones.........................................................................33
Grficosdelosresiduos..........................................................................................................................................34
Estadsticosdescriptivos.........................................................................................................................................34
TestdeJarqueBera.................................................................................................................................................36
Comandosparaelanlisisdelanormalidaddelasperturbaciones......................................................37
Comandosummary:estadsticosdescriptivos........................................................................................................37
Comandomodtest:testdenormalidaddeDoornikHansen.................................................................................38
Comandonormtest.................................................................................................................................................40
Comandofreq.........................................................................................................................................................41
Comandoqqplot.....................................................................................................................................................42

ii
Comandognuplot....................................................................................................................................................45
Solucionesalanonormalidaddelasperturbaciones..........................................................................47
Clculos..............................................................................................................................................49
CoeficientedeasimetradePearson......................................................................................................................49
Coeficientedeexcesodecurtosis...........................................................................................................................50
Testdeasimetra.....................................................................................................................................................50
Testdeexcesodecurtosis......................................................................................................................................51
TestdeJarqueBera.................................................................................................................................................52
HETEROCEDASTICIDAD...............................................................................................................55
Introduccin.......................................................................................................................................55
Deteccindelaheterocedasticidad.....................................................................................................55
Mtodogrfico........................................................................................................................................................56
Testsestadsticos....................................................................................................................................................57
Comandosparaladeteccindeheterocedasticidad............................................................................62
Comandognuplot....................................................................................................................................................62
Comandomodtest...................................................................................................................................................65
Solucionesalaheterocedasticidad......................................................................................................68
EstimacinMnimoCuadrticaPonderada.............................................................................................................68
EstimacinRobusta.................................................................................................................................................71
Prediccinconheterocedasticidad......................................................................................................72
Clculos..............................................................................................................................................73
ContrastedeWhiteenfuncindelasvariablesexgenasdelmodelo,suscuadradosysusproductoscruzados 73
ContrastedeWhiteenfuncindelasvariablesexgenasdelmodeloysuscuadrados........................................74
ContrastedeBreuschPagan...................................................................................................................................76
PruebadeHarvey....................................................................................................................................................77
TestdeGlejser.........................................................................................................................................................78
ContrastedeGoldfeldQuandt................................................................................................................................80
TestdeBarlett.........................................................................................................................................................81
Estimadoresconelmodelotransformado..............................................................................................................84
Estimadoresconcorrecindeheterocedasticidad.................................................................................................85
Estimadoresrobustos..............................................................................................................................................86
AUTOCORRELACIN...................................................................................................................89
Introduccin.......................................................................................................................................89
Deteccindeautocorrelacin..............................................................................................................89
Mtodogrfico........................................................................................................................................................90
Testsestadsticos....................................................................................................................................................91
donde 4 eselcoeficientedecorrelacindecuartoorden.........................................................96
Comandosparaladeteccindeautocorrelacin...............................................................................100
Comandognuplot..................................................................................................................................................100
Comandools:estimadordelcoeficientedecorrelacindeprimerordenyestadsticodeDurbinWatson........102
Comandoruns:testderachas..............................................................................................................................103
Comandomodtest:contrastedeBreuschyGodfreyyestadsticodeLjungBox.................................................104
SolucionesalaautocorrelacinparaunAR(1)...................................................................................107
EstimacinMnimoCuadrticaGeneralizada.......................................................................................................108
EstimacinRobusta...............................................................................................................................................111

TABLA DE CONTENIDO
iii
Diferenciacinyautocorrelacin..........................................................................................................................112
Prediccinconautocorrelacin.........................................................................................................113
Prediccindinmica..............................................................................................................................................113
Prediccinesttica................................................................................................................................................113
Clculos............................................................................................................................................114
Coeficientedeautocorrelacinestimadodeordenj............................................................................................114
EstadsticodeDurbinWatson...............................................................................................................................115
RazndeVonNeumann........................................................................................................................................116
EstadsticohdeDurbin.........................................................................................................................................118
Estadsticod4deWallis.........................................................................................................................................119
EstadsticosdeBoxPierceLjung...........................................................................................................................119
EstadsticodeBoxPierce......................................................................................................................................121
EstadsticodeBreuschyGodfrey..........................................................................................................................121
Testderachas.......................................................................................................................................................125
MtodoiterativodePraissWinsten.....................................................................................................................126
EstimadoresdeMCG.............................................................................................................................................135
Prediccin..............................................................................................................................................................137
LINEALIDAD..............................................................................................................................139
Introduccin.....................................................................................................................................139
AnlisisdelaLinealidad....................................................................................................................139
Mtodogrfico......................................................................................................................................................140
Testsestadsticos..................................................................................................................................................140
ComandosparaanalizarlaLinealidad...............................................................................................142
Comandognuplot..................................................................................................................................................142
Comandoreset......................................................................................................................................................143
Clculos............................................................................................................................................145
TestRESETdeRamsey...........................................................................................................................................145
PruebaJdeDavidsonyMackinnon.......................................................................................................................147
PruebaJAdeFisheryMcAleer.............................................................................................................................148
REGRESORESESTOCSTICOS....................................................................................................151
Introduccin.....................................................................................................................................151
Anlisisdelaexogeneidaddelamatrizderegresores.......................................................................152
TestdeHausman...................................................................................................................................................152
Testdeinstrumentodbilotestdevalidezdeinstrumentos...............................................................................154
TestdeSargan.......................................................................................................................................................155
Comandoparaanalizarlanoaleatoriedaddelosregresores:tsls......................................................156
Generacindelinstrumento:mtododeWald....................................................................................................157
Relevanciadelinstrumento..................................................................................................................................158
EstimacinMCO:comandools.............................................................................................................................159
EstimacinporVI:comandotsls...........................................................................................................................159
Clculos............................................................................................................................................162
EstimacinporVI:estimacinMCOendosetapas...............................................................................................162
TestdeHausman...................................................................................................................................................163
Testdeinstrumentodbilotestdevalidezdeinstrumentos...............................................................................165
TestdeSargan.......................................................................................................................................................171
EstimacinporMnimosCuadradosOrdinariosyporVariablesInstrumentalesutilizandolgebramatricial.....172

iv


Modelo de Regresion Lineal Clasico

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Modelo de Regresion Lineal Clasico

Transféré par

Droits d'auteur :

Formats disponibles

INCUMPLIMIENTOS DEL MODELO DE

REGRESIN LINEAL NORMAL CLSICO

De manera general, en un modelo economtrico no es frecuente la multicolinealidad perfecta,

La multicolinealidad perfecta supone el incumplimiento de la condicin de rango relativa a la

? ols Y const X1 X2 X3 X4 X5 --simple

MCO, usando las observaciones 1-30

Otro criterio para la deteccin de problemas de multicolinealidad consiste en el anlisis del

ElR2auxiliardelaregresindelavariable X j sobreelrestodelasvariablesexplicativas( R 2j )mide

Si R 2j > R 2 de la regresin con todas las variables explicativas, la variable X j es causante de

LosR2auxiliares( R 2j )permitenidentificarlasvariablescausantesdemulticolinealidad:si R 2j 0.9

LosFactoresdeIncrementodelaVarianza( FIV j )permitenidentificarlasvariablescausantesde

Las Tolerancias ( T j ) permiten identificar las variables causantes de multicolinealidad: si

Observacin: a medida que aumenta el R2 auxiliar ( R 2j ) aumenta el Factor de Incremento de la

Se denomina autoanlisis al conjunto de instrumentos que ayuda a determinar la existencia de

El clculo de los autovalores permite determinar la existencia de colinealidad y el nmero de

Determinada la presencia de multicolinealidady el nmero decolinealidades, se debeaveriguar

Media de la vble. dep. Y D.T. de la vble. dep. SY

Media de la vble. dep. 10.63333 D.T. de la vble. dep. 1.449931

- Labondaddeajustedelmodeloeselevada( R 2 0.964520 )ysoloesprecisoelestimadordel

Coeficientes de correlacin, usando las observaciones 1 - 30

# Se define la matriz de regresores normalizados

# Se calculan los autovalores de la matriz de productos cruzados de los regresores normalizados

# Se ordenan los autovalores en sentido descendente

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlacin mltiple

Diagnsticos de colinealidad de Belsley-Kuh-Welsch:

--- proporciones de la varianza ---

lambda = valores propios de X'X, del ms grande al ms pequeo

# Se define la matriz de variables explicativas centradas normalizadas

# Se define la matriz de productos cruzados de las variables explicativas centradas normalizadas

# Se calculan los autovalores

# Se ordenan los autovalores en sentido descendente

lambda = valores propios de X'X, del ms grande al ms pequeo

? ols YC X1C X2C X3C X4C --quiet

Factores de inflacin de varianza (VIF)

Diagnsticos de colinealidad de Belsley-Kuh-Welsch:

Anlisis de los valores propios de la matriz de correlacin

Vectores propios (pesos de los componentes)

Anlisis de Componentes Principales

Vectores propios (pesos de los componentes)

? ols YC X1C X2C X3C X4C --simple

MCO, usando las observaciones 1-60

Factores de inflacin de varianza (VIF)

Diagnsticos de colinealidad de Belsley-Kuh-Welsch:

# Se vuelve al tamao muestral original

MCO, usando las observaciones 1-30

Factores de inflacin de varianza (VIF)

Diagnsticos de colinealidad de Belsley-Kuh-Welsch:

MCO, usando las observaciones 1-30

Factores de inflacin de varianza (VIF)

Diagnsticos de colinealidad de Belsley-Kuh-Welsch:

Eliminando X1 y X4 se solucionara el problema de multicolinealidad en sentido estricto, pero el

MCO, usando las observaciones 1-30

Factores de inflacin de varianza (VIF)

Diagnsticos de colinealidad de Belsley-Kuh-Welsch:

# Se calculan los coeficientes de correlacin lineal

# Se calcula el determinante de la matriz de correlacin

# Se guardan los coeficientes de determinacin auxiliares

? ols X1 const X2 X3 X4 --quiet

? ols X2 const X1 X3 X4 --quiet

? ols X3 const X1 X2 X4 --quiet

? ols X4 const X1 X2 X3 --quiet

? ols Y const X1 X2 X3 X4 --quiet

# Se calculan los Factores de Incremento de la Varianza

# Tolerancias con FIV