ECONOMETRÍA 1

Supuestos de los mínimos cuadrados ordinarios

Supuesto 1

El modelo de regresión lineal debe ser lineal en los parámetros

Supuesto 2

Los valores de X son fijos en muestreo repetido X se supone no estocástica

Supuesto 3

El valor medio de la perturbación es igual a 0, dado que la suma de las perturbaciones es igual a 0

Supuesto 4

Homocedasticidad o igual varianza de la perturbación

Dado el valor de X, la varianza de u es la misma para todas las observaciones. Esto es, las varianzas
condicionales de u son idénticas

Supuesto 5

No existe autocorrelación entre las perturbaciones. Dados 2 valores de X, X1 Y X2 diferentes, la

correlación entre los 2 errores U1 y U2 es cero (0).

Supuesto 6

La covarianza entre U1 y X1 es 0

Supuesto 7

Número de observaciones mayor que el número de parámetros

Supuesto 8

Variabilidad en los valores de X

No todos los valores de X en una muestra dada deben ser iguales. Técnicamente var(x)>0
Supuesto 9

El modelo de regresión está correctamente especificado

Supuesto 10

No hay multicolinealidad perfecta. Es decir, no hay relaciones perfectamente lineales entre las variables
explicativas.

Supuesto 11

El término estocástico (de perturbación) U está normalmente distribuido

Violación de los supuestos del modelo clásico

Supuesto 3

Valor de la media de u igual a 0

Si se viola este supuesto se conseguirá un parámetro autónomo estimado sesgado, pero se conservará
la insesgadez de los parámetros marginales.

Supuesto 11

El supuesto de normalidad se hace extremadamente importante ya que no se cuenta con información

sobre grandes muestras por lo general.

Multicolinealidad

Estimación con multicolinealidad alta

1. Aun cuando los estimadores MCO son MELI, éstos presentan varianzas y covarianzas grandes
que hacen difícil la estimación precisa
2. Debido a la consecuencia 1, los intervalos de confianza tienden a ser mucho más amplios, lo cual
propicia una aceptación más fácil de la “hipótesis nula 0” (es decir; que el verdadero coeficiente
poblacional es cero).
3. También debido a la consecuencia 1 , la razón t de uno o más coeficientes tiende a ser
estadísticamente no significativa
4. Aun cuando la razón t de uno o más coeficientes sea estadísticamente no significativa, R2, la
medida global de bondad de ajuste, puede ser muy alta
5. Los estimadores MCO y sus errores estándar son sensibles a pequeños cambios en la
información
Heterocedasticidad

1. La heterocedasticidad no destruye las propiedades de insesgadez y consistencia de los

estimadores MCO.
2. Sin embargo, estos estimadores dejan de tener varianza mínima, es decir, dejan de ser
eficientes. Por consiguiente, no son MELI
3. Los estimadores MELI son proporcionados por el método de mínimos cuadrados ponderados,
siempre que las varianzas heterocedásticas de error se conozcan.

Autocorrelación

1. Aunque los estimadores MCO continúan estando distribuidos en forma asintótica y normal,
además de ser insesgados y consistentes en presencia de autocorrelación, éstos dejan de ser
eficientes.

Capítulo 13
Criterios de selección del modelo

1. Ser aceptable según los datos; es decir, las predicciones hechas con base en el modelo deben ser
lógicamente adecuadas.
2. Ser consistente con la teoría; es decir, debe tener un sentido económico pertinente. Por ejemplo,
si la hipótesis del ingreso permanente de Milton Friedman es válida, entonces se espera que el
valor de la intersección sobre el consumo permanente sobre el ingreso permanente sea igual a 0.
3. Tener regresoras débilmente exógenas; es decir, las variables explicativas regresoras, no deben
estar correlacionadas con el término de error.
4. Mostrar constancia paramétrica; es decir, los valores de los parámetros deben ser estables.
5. Exhibir coherencia en los datos; es decir, los residuos estimados a partir del modelo deben ser
puramente aleatorios (técnicamente, ruido blanco).
6. Ser inclusivo; es decir, el modelo debe tener o incluir a todos los modelos rivales, en el sentido
que puede explicar sus resultados.

Tipos de errores de especificación

1. Omisión de una variable relevante

2. Inclusión de una variable innecesaria
3. Adopción de la forma funcional equivocada
4. Errores de medición
5. Especificación incorrecta del término de error estocástico

Consecuencias de los errores de especificación

 Omisión de una variable relevante

1. Aun cuando la variable excluida y la incluida no estén correlacionadas, el parámetro autónomo es
aún sesgado, aunque el parámetro marginal de la variable incluida no lo es
2. La varianza de la perturbación está incorrectamente estimada
 3. Es probable que el intervalo de confianza usual y los procedimientos de prueba de hipótesis
conduzcan a conclusiones equivocadas sobre la significancia estadística de los parámetros
estimados.
4. Los pronósticos basados en el modelo y los intervalos de confianza del pronóstico no son
confiables

 Inclusión de una variable irrelevante

1. Los estimadores MCO de los parámetros del modelo “incorrecto” son los dos insesgados y
consistentes
2. La varianza del error está correctamente estimada
3. Los procedimientos usuales de intervalos de confianza y de prueba de hipótesis continúan siendo
válidos
4. Los parámetros estimados generalmente serán ineficientes, es decir sus varianzas generalmente
serán más grandes que las del verdadero modelo

 Adopción de la forma funcional incorrecta

1. Genera patrones en los residuos, es decir autocorrelación

 Errores de medición en la variable explicada Y

1. Aunque los errores de medición en la variable dependiente aún producen estimaciones
insesgadas de los parámetros y de sus varianzas, las varianzas estimadas son ahora más grandes
que en el caso en el cual no existen tales errores de medición, por lo tanto no serán eficiente.

 Errores de medición en la variable explicada X

1. La presencia de errores de medición en las variables explicativas constituyen un grave problema,
porque su presencia hace imposible la estimación consistente de los parámetros.

 Especificación del término error estocástico

1. Produce estimadores sesgados

Criterios para la selección de modelos

El criterio del R2, el mayor valor

El criterio de Akaike, el menor valor

Diez mandamientos de Peter Kennedy

1. Utilizarás el sentido común y la teoría económica

2. Plantearás las preguntas adecuadas (es decir, preferirás la relevancia antes que la elegancia
matemática).
3. Conocerás el contexto (no harás análisis estadísticos ignorantes).
4. Inspeccionarás los datos
5. No idolatrarás la complejidad. Utilizarás el principio MSE; es decir, mantendrás la simplicidad
estocástica
6. Verás las consecuencias de tus resultados y serás perseverante con ellos
7. Estarás consciente de los costos de la búsqueda exhaustiva de datos
8. Estarás dispuesto a comprometerte (no adorarás las prescripciones de los libros de texto).
9. No confundirás significancia con sustancia (no confundirás la significancia estadística con la
significancia práctica).
10. Te confesarás ante la presencia de la sensibilidad (es decir, te anticiparás a las críticas).