Académique Documents
Professionnel Documents
Culture Documents
CONSTRUCCIÓN DE
ESCENARIOS ECONÓMICOS Y
ECONOMETRÍA AVANZADA
PRUEBAS DE DIAGNÓSTICO
Instructor: Horacio Catalán Alonso
Selección del modelo
econométrico
Taller de Econometría
Y β U
El modelo de regresión múltiple asume diverso
supuestos estadísticos que determinan la validez de los
resultados econométricos así como la inferencia
estadística
Asume principalmente
3) No existe autocorrelación
E ui u j X 0 para todo i ≠ j
Estimación
Mala especifcación
Reparametrización
yt=1yt-i+ iCt-i+Ut
u X~N 0, σ2u I
a) Importancia del supuesto de normalidad
En el contexto del modelo de regresión múltiple, los
estimadores de MCO se distribuyen como una
función de densidad de probabilidad normal
ˆ
N , u X ' X
2 1
Esta propiedad permite realizar inferencia estadística
sobre el modelo a través de probar diferentes
hipótesis en los valores de los estimadores
t-Student´s
F-estadística
c2 ji-cuadrada
El rechazo de normalidad en los errores afecta el
valor de los estadísticos de las pruebas de hipótesis
como el t-Student y F. Los valores de los estadísticos
son sensibles a la distribución normal
El valor del estadístico ji-cuadrada también se ve
afectado. Bajo condiciones de No-normalidad el valor
crítico del ji-cuadrado se modifica
Los estimadores siguen siendo insesgados, pero
cuando no se cumple el supuesto de normalidad se
pierde eficiencia
Prueba de Normalidad
ˆ T t 1 T t 1
En una distribución
normal el coeficiente de
sesgo es igual a cero
.4
ˆ 3 Sesgo a la izquierda
ˆ3 3 0 .3
ˆ Density
Simetría negativa
.2
-0.11743306...
.1
.0
1 2 3 4 5 6 7 8 9 10 11
Media<Mediana<Moda
ˆ 3
.4
.1
.0
-2 -1 0 1 2 3 4 5 6 7 8 9
Media>Mediana>Moda
Cuarto momento de la distribución (Curtosis)
EX
4
1/ 2
ˆ
4
1 T
1 2
T
KC 4 , ˆi uˆt , ˆ uˆt
i
ˆ T t 1 T t 1
Exceso de curtosis, el
coeficiente es mayor a 3
ˆ 4
KC 4 3
ˆ
El coeficiente es menor a 3
Hipótesis nula
Se distribuye como
H1 : SK 0 y KC 3 0 una normal
Hipótesis alternativa
NO se distribuye
H1 : SK 0 y KC 3 0 como una normal
JB SK KC 3
T 2 T 2
6 24
Bajo la hipótesis nula el estadístico JB se distribuye como
una ji-cuadrada con dos grados de libertad, ya que es la
suma de dos variables aleatorias normalizadas
Var (ut ) E (u )
2
t
2
Var (ut ) t
2
Varianza constante Heteroscedasticidad
β̂ X´X X´Y
1
𝑉𝑎𝑟 𝛽 = 𝐸 𝛽 − 𝛽 𝛽 − 𝛽 ′
−1
𝑉𝑎𝑟 𝛽 = 𝑋´𝑋 𝑋 ′ 𝐸 𝑢𝑢´ 𝑋 𝑋´𝑋 −1
La matriz de covarianzas y varianzas del error
Varianza
E (u ) E (u1u2 )
2
E (u1uT )
1
2 del error
E ( u u ) E ( u2) E (u2uT )
E (uu´) 2 1
2
E (uT u1 ) E (uT u2 ) E (uT )
Considerando que la covarianza de los términos de
error son iguales a cero, es decir no hay autocorrelación
𝐸 𝑢𝑖 𝑢𝑗 = 0 Para 𝑖 ≠ 𝑗
𝐸 𝑢1 𝑢2 = 𝐸 𝑢1 𝑢3 = ⋯ 𝐸 𝑢 𝑇 𝑢 𝑇−1 = 0
E (u ) E (u ) E (u )
2
1
2
2
2
T
2
La matriz de varianzas y covarianzas del término de
error se define como:
σ 2 0 0 1 0 0
0 σ 2
0 2 0 1 0 2
E uu´ σ σ I
2
0 0 σ 0 0 1
ˆt
u 2
Donde k es el número de
S ˆ
2 2 t 1 variables explicativas
T k 1
La varianza del estimador se define como:
−1 2 −1 Matriz
𝑉𝑎𝑟 𝛽 = 𝑋´𝑋 𝜎 𝐈𝑋 ′ 𝑋 𝑋´𝑋
identidad
𝑉𝑎𝑟 𝛽 = 𝜎 2 𝑋´𝑋 −1
𝜎 2 𝑋´𝑋 −1
≠ 𝑋´𝑋 −1 ′
𝐗 𝐕𝐗 𝑋´𝑋 −1
𝜎𝑡2 = 𝑓(𝑋𝑡 )
Pruebas para detectar Heteroscedasticidad
a) White: Términos Cruzados
Esta prueba asume que la heteroscedasticdad es
función de la variables independientes de la
ecuación inicial
Estimar el modelo:
Yt 0 1 X t 2 Z t ut
Obtener la serie de los errores y estimar la
regresión auxiliar
Especificación de la prueba, por medio de la regresión
auxiliar
uˆ 0 1 X t 2 X t 3 X t Z t 4 Z t 5Z t et
2
t
2 2
H 0 : 1 2 3 4 5 0
H1 : 1 0, 2 0, 3 0, 4 0, 5 0
La Hipótesis nula asume que no existen problemas de
heteroscedasticidad y la Hipótesis alternativa indica la
presencia de problemas de heteroscedasticidad
Taller de Econometría
La probabilidad del estadístico F indica que no se rechaza
la hipótesis nula por lo tanto la varianza no depende de
sus valores pasados NO HAY heteroscedasticidad
Prueba ARCH de Heteroscedasticidad
2 2
𝜎𝑡2 = 𝑓(𝜎𝑡−1 , 𝜎𝑡−2 2
,⋯ , 𝜎𝑡−𝑝 )
uˆ 0 uˆ et
2
t
2
1 t 1
H 0 : 1 0 No hay
heteroscedasticidad
Problemas de
H1 : 1 0 heteroscedasticidad
Especificación ARCH(2)
uˆ 0 uˆ uˆ
2
t
2
1 t 1
2
2 t 2 et
No hay
H 0 : 1 0, 2 0 heteroscedasticidad
Problemas de
H1 : 1 0, 2 0 heteroscedasticidad
𝐻0
Rechazo de H0
La probabilidad del estadístico F indica que no se rechaza
la hipótesis nula por lo tanto la varianza no depende de
sus valores pasados NO HAY heteroscedasticidad
Linealidad o Forma
Funcional
El problema de una mala especificación de la forma
funcional en el modelo, esta asociado a no considerar de
manera correcta la relación entre la variable dependiente
y la variable explicativa
(1) 𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡 + 𝑢𝑡
Y Xβ z u
La variable Z se pude definir como una función no lineal
E Y / X x g ( X)
E Y / X x g ( X) g ( X) 2 .... g ( X) k
Prueba RESET
Y X u modelo
ˆ X̂
Y estimación
Se define
URSS.- suma de errores al cuadrado de la regresión sin
restricción
RRSS.- suma de errores al cuadrado de la regresión CON
restricción
m = es el número de restricciones
F
RRSS URSS / m
k =Número de parámetros en la
URSS /(T k ) regresión auxiliar
Zona de
Zona de No RECHAZO H0
Rechazo H0
F(m,T-k) al 5% de significancia
Cov(ut us ) E[ut us ] 0 t s
No existe autocorrelación. Los términos de error son
estadísticamente independientes, no existe relación entre
los errores
Cunado el supuesto no se cumple el modelo presenta
problemas de Autocorrelación
Cov(ut us ) 0
Se asume que la relación entre los errores describe un
proceso autorregresivo de orden uno 𝐴𝑅(1)
1) u t u t-1 ν t
Donde 𝜌 < 1
Eν t 0 Varν t
2
Los supuestos
4 Autocorrelación
0
-4
-8
-12
10 20 30 40 50 60 70 80 90 100
-1
-2
-3
10 20 30 40 50 60 70 80 90 100
Se aplica valor esperado a la ecuación (1)
E (ut ) E (ut 1 ) E ( vt ) 0
Var u t E u 2 u t-1 ν t ν
2 2
t -1
2
t
Var(u t ) 2 E(u 2t-1 ) 2 E(u t-1 ν t ) E(ν 2t )
Igual a cero
Taller de Econometría
Var ( u t ) σ
2 2
u
2
ν
σ
2
u
2
u
2 2
ν
Despejando para 𝜎 2
σ 2
2 ν
1
u 2
Cov(u t u t-1 ) u2
Cov(u t u t-2 ) Cov((u t-1 ν t )u t-2 )
Cov(u t-1u t-2 ) Cov(ν t u t-2 )
Cov(u t-1u t-2 )
Igual a cero
Cov((u t-2 ν t-1 )u t-2 )
2Cov(u t-2 u t-2 ) Cov(ν t-1u t-2 )
1
2 T 1
T 2
v
2
1
V u
2
1
2
T 1
1
T 2 T 3
Consecuencias de la autocorrelación
En el contexto de la representación matricial del modelo
econométrico
𝑌𝑡 = 𝑋𝑡 𝛽 + 𝑈𝑡
Las propiedades del término de error
𝑈𝑡 ~𝑁(0, 𝜎 2 Ω)
El estimador de mínimos cuadrados ordinarios sigue
siendo lineal e insesgado, pero pierde eficiencia
𝛽~𝑁(𝛽, 𝜎 2 𝑋𝑡′ 𝑋𝑡 −1 𝑋 ′ Ω𝑋
𝑡 𝑡 𝑋𝑡′ 𝑋𝑡 −1 )
Comparativo errores con y sin autocorrelación
4
-1
-2
-3
-4
10 20 30 40 50 60 70 80 90 100
NO_AUTOCORRELACION
AUTOCORRELACION
Estadístico Durbin-Watson
ut ut 1 t
La hipótesis nula (𝐻0 ) es que no existe autocorrelación.
𝐻0 : 𝜌 = 0
La hipótesis alternativa es que el parámetro rho sea
diferente de cero
𝐻𝑎 : 𝜌 ≠ 0
Si rho es diferente de cero se puede plantear el caso
de que 𝜌 < 0, también 𝜌 > 0. En este contexto Durbin
y Watson plantean un estadístico cuya distribución
tenga una hipótesis alternativa con dos alternativas
uˆ T
uˆt 1
2
DW t 2 t
T 2
t 1
uˆ t
La distribución teórica del estadístico de Durbin-
Watson se define como:
1 T T
K exp (1 ) ut 2 ut ut 1
2 2
2
2
t 1 t 1
De este manera se demuestra que el estadístico Durbin-
Watson puede tomar valores entre cero y cuatro
DW
0 2 4
𝜌
−1 0 1
Las zonas de H0 y de la hipótesis alternativa de se
definen a partir de los límites inferior y superior
DW
0 2 4
𝑑𝑈 4 − 𝑑𝑈
Valores admisibles
para DW 𝑑𝑈 < 𝐷𝑊 < 4 − 𝑑𝑈
Tabla Estadístico Durbin-Watson
Para k = número de variables independientes
Estadísticos DW ecuaciones
Estática 0.539620 Diferencia 0.625492
Ajuste 0.879090 ECM 2.334384
Dinámica 0.520320
Desarrollando el estadístico Durbin-Watson
t 2 uˆt uˆt 1
T T
(uˆ 2uˆt uˆt 1 uˆ )
2 2 2
t 1
DW t 2 t
t 1 ˆt
T 2 T 2
t 1 t
uˆ u
T 2 T T 2
uˆ uˆ uˆ
t 2 t t 1
uˆ
t 1
t 2
2 t 2
t
uˆ
T 2 T 2 T 2
ˆ
u
t 1 t t 1 t
ˆ
u
t 1 t
≈1 =𝜌 ≈1
DW 1 2 1 2 2 2(1 )
Si el DW se ubica entre 1.5 y 2.5 se puede asumir que
no existe autocorrelación
La Durbin Watson es válida solo cuando las variables
incluidas en la ecuación son exógenas.
Yt 0 1 X t 2 Z t ut
uˆt 0 1uˆt 1 0 1 X t 2 Zt et
Prueba LM(1) H 0 : 1 0
H 1 : 1 0
(𝑇 − 𝑝)𝑅2 ~𝜒 2 (𝑝)
Rechazo de
Zona de 𝐻0
𝐻0
Eviews también reporta un estadístico F, el resultado
indica problemas de autocorrelación
ESTABILIDAD DE
LOS PARÁMETROS
Supuesto de estabilidad de los estimadores
La especificación del modelo econométrico asume que
los estimadores permanecen estables a lo largo de la
muestra. No se modifica el valor de los estimadores
Modelo general Yt X t u t
ˆ i ui
Yi X i i =m, ..., T
Prueba de Residuales Recursivos
La posible inestabilidad de los estimadores podría
verificarse examinando el comportamiento de los
residuos que generan las estimaciones recursivas del
modelo
Su representación gráfica permite observar como el
estimador cambia en el tiempo
Var( vt ) 1 xt Xt 1X t 1 xt
2 /
Se estandariza la varianza
v
v
~ t Para t= k+1, ..., T
Var( vt )
Se construye la suma acumulada (CUSUM)
T v~j
CUSUM Wt ˆ
j k 1
2
ˆ RSST /( T k )
2
a T k
k T
a T k
3a T k
20
No hay cambio
15
10
5
estructural, la suma
acumulada esta dentro
0
-5
-10
-15
de los límites
-20
82 84 86 88 90 92 94 96 98 00 02 04 06 08 10 12
CUSUM 5% Significance
24
20
16
Problemas de cambio
12 estructural sale de las
bandas
8
-4
-8
-12
-16
84 86 88 90 92 94 96 98 00 02 04 06 08 10 12
CUSUM 5% Significance
Cusum cuadrado (CUSUMSQ). Una medida alternativa,
aunque no equivalente a utilizar CUSUM, consiste en
emplear los cuadrados de los residuos recursivos. De
nuevo, la suma acumulada en el tiempo de estos residuos
al cuadrado, conocida como CUSUM al cuadrado, permite
comprobar desviaciones no aleatorias desde su línea de
valor medio
~
w
j k 1
2
j
Wt T
t k 1,...,T
w
j k 1
2
j
t k
E Wt
~
T k
La prueba CUSUM es un indicador de la instabilidad de
la media condicional del modelo, no permite identificar
las fechas de cambio
8
Sin cambio estructural 10
Cambio en el intercepto
8
6
6
4
4
2
2
0 0
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Y3 Y4
20 25
8 10
4 5
0 0
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
CURSO INTERNACIONAL:
CONSTRUCCIÓN DE
ESCENARIOS ECONÓMICOS Y
ECONOMETRÍA AVANZADA
PRUEBAS DE DIAGNÓSTICO
Instructor: Horacio Catalán Alonso