Vous êtes sur la page 1sur 24

PONTIFICIA UNIVERSIDAD CATLICA DEL PER

FACULTAD DE CIENCIAS SOCIALES


ESPECIALIDAD DE ECONOMA

SEMESTRE 20111

ECONOMETRA 2
(ECO 330)
Profesor : Erick Lahura


PRCTICA DIRIGIDA N 2

Para resolver este laboratorio utilice el archivo Lab02_eco2.wf1 disponible en Intranet.


1. PARMETROS CAMBIANTES.

En base a la informacin de la pestaa Break, responda:

1.1 Estime la ecuacin:



Dependent Variable: SB
Method: Least Squares

Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 2.219470 0.084897 26.14323 0.0000
X2 1.479004 0.088867 16.64297 0.0000
X3 1.330096 0.086432 15.38901 0.0000


R-squared 0.704795 Mean dependent var 2.245588
Adjusted R-squared 0.702304 S.D. dependent var 2.392996
S.E. of regression 1.305656 Akaike info criterion 3.383709
Sum squared resid 404.0227 Schwarz criterion 3.427217
Log likelihood -403.0451 Hannan-Quinn criter. 3.401240
F-statistic 282.9157 Durbin-Watson stat 1.529084
Prob(F-statistic) 0.000000




1.2 Tericamente se sabe que los coeficientes de X2 y X3 del modelo anterior deberan ser
constantes a lo largo de toda la muestra (A2). Realice la estimacin dividiendo la muestra
en 2 grupos: 1950q1-1989q4 y 1990q1-2009q4. Se confirma el supuesto A2 en las
estimaciones? Explique por qu.







Erick Lahura Econometra 2 / 2010-2




2


Dependent Variable: SB
Method: Least Squares

Sample: 1950Q1 1989Q4
Included observations: 160


Variable Coefficient Std. Error t-Statistic Prob.


C 1.779329 0.075634 23.52545 0.0000
X2 1.147299 0.079176 14.49041 0.0000
X3 0.984532 0.074295 13.25170 0.0000


R-squared 0.724587 Mean dependent var 1.739979
Adjusted R-squared 0.721078 S.D. dependent var 1.808533
S.E. of regression 0.955141 Akaike info criterion 2.764657
Sum squared resid 143.2302 Schwarz criterion 2.822316
Log likelihood -218.1725 Hannan-Quinn criter. 2.788070
F-statistic 206.5262 Durbin-Watson stat 2.101725
Prob(F-statistic) 0.000000




Dependent Variable: SB
Method: Least Squares
Date: 03/30/11 Time: 14:26
Sample: 1990Q1 2009Q4
Included observations: 80


Variable Coefficient Std. Error t-Statistic Prob.


C 2.994002 0.109824 27.26171 0.0000
X2 2.155353 0.112598 19.14207 0.0000
X3 1.955728 0.121265 16.12772 0.0000


R-squared 0.906438 Mean dependent var 3.256805
Adjusted R-squared 0.904008 S.D. dependent var 3.031175
S.E. of regression 0.939137 Akaike info criterion 2.749069
Sum squared resid 67.91238 Schwarz criterion 2.838395
Log likelihood -106.9628 Hannan-Quinn criter. 2.784882
F-statistic 372.9914 Durbin-Watson stat 2.001719
Prob(F-statistic) 0.000000



No se cumple el supuesto A2, debido a que los parmetros de ambas regresiones son diferentes. Esto
podra estar sucediendo, debido a que las series presentas quiebres a lo largo de la muestra, y
ocasionara que al dividir la muestra el coeficiente asociado a las series cambie de un perodo a otro.

1.3 Detecte la posible presencia de Quiebre estructural en los parmetros utilizando las
siguientes pruebas. Especifique la estructura (Ho, Ha, regla de rechazo) de cada una de ellas.

- Test de Chow

La idea del Test de Chow es ajustar la ecuacin por separado para cada submuestra, para ver si
existen diferencias significativas en las ecuaciones estimadas. Una diferencia significativa
indica un cambio estructural en la relacin. Por ejemplo, puede utilizar esta prueba para
examinar si la funcin de demanda de energa era la misma antes y despus de la crisis del
petrleo.
Erick Lahura Econometra 2 / 2010-2




3

Por defecto, la prueba de Chow comprueba si hay un cambio estructural en todos los
parmetros de la ecuacin.

Para llevar a cabo la prueba, se realiza la particin de datos en dos o ms sub muestras. Cada
submuestra debe contener ms observaciones que el nmero de coeficientes de la ecuacin
de modo que la ecuacin puede ser estimada. El Test de Chow compara la suma de los
cuadrados de los residuos obtenidos mediante el ajuste de una sola ecuacin para toda la
muestra con la suma de los cuadrados de los residuos obtenidos en las ecuaciones
independientes que ajustan a cada sub muestra de los datos.

Una desventaja importante de la prueba de punto de interrupcin es que cada submuestra
requiere al menos tantas observaciones como el nmero de parmetros estimados. A su vez,
la gran desventaja es que determina la fecha de quiebre de manera exgena.

Donde:



Chow Breakpoint Test: 1980Q1
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1950Q1 2009Q4


F-statistic 17.46552 Prob. F(3,234) 0.0000
Log likelihood ratio 48.49352 Prob. Chi-Square(3) 0.0000
Wald Statistic 52.39657 Prob. Chi-Square(3) 0.0000



Regla de Rechazo: p-value < 0.05: Rechazo

. Hay evidencia de quiebre estructural en la


muestra.

Test Quand-Andrews


Quandt-Andrews unknown breakpoint test
Null Hypothesis: No breakpoints within 15% trimmed data
Varying regressors: All equation variables
Equation Sample: 1950Q1 2009Q4
Test Sample: 1959Q1 2001Q1
Number of breaks compared: 169


Statistic Value Prob.


Maximum LR F-statistic (1990Q1) 71.25348 0.0000
Maximum Wald F-statistic (1990Q1) 213.7604 0.0000

Exp LR F-statistic 31.14662 1.0000
Exp Wald F-statistic 102.3066 1.0000

Ave LR F-statistic 22.33797 0.0000
Ave Wald F-statistic 67.01391 0.0000


Note: probabilities calculated using Hansen's (1997) method

Erick Lahura Econometra 2 / 2010-2




4

- Test de Prediccin de Chow


Chow Forecast Test
Equation: UNTITLED
Specification: SB C X2 X3
Test predictions for observations from 1980Q1 to 2009Q4


Value df Probability
F-statistic 3.033366 (120, 117) 0.0000
Likelihood ratio 339.2883 120 0.0000


F-test summary:
Sum of Sq. df
Mean
Squares
Test SSR 305.7477 120 2.547897
Restricted SSR 404.0227 237 1.704737
Unrestricted SSR 98.27500 117 0.839957
Unrestricted SSR 98.27500 117 0.839957


LR test summary:
Value df
Restricted LogL -403.0451 237
Unrestricted LogL -233.4009 117


Unrestricted log likelihood adjusts test equation results to account for
observations in forecast sample


Unrestricted Test Equation:
Dependent Variable: SB
Method: Least Squares
Date: 04/06/11 Time: 23:34
Sample: 1950Q1 1979Q4
Included observations: 120


Variable Coefficient Std. Error t-Statistic Prob.


C 1.842140 0.084170 21.88589 0.0000
X2 1.100294 0.085569 12.85857 0.0000
X3 1.062987 0.085467 12.43744 0.0000


R-squared 0.747705 Mean dependent var 1.683122
Adjusted R-squared 0.743392 S.D. dependent var 1.809229
S.E. of regression 0.916492 Akaike info criterion 2.688155
Sum squared resid 98.27500 Schwarz criterion 2.757842
Log likelihood -158.2893 Hannan-Quinn criter. 2.716455
F-statistic 173.3713 Durbin-Watson stat 2.071691
Prob(F-statistic) 0.000000










Erick Lahura Econometra 2 / 2010-2




5

- Test RESET de Ramsey

Esta prueba permite comprobar la correcta especificacin polinmica de un modelo
estimado. El objetivo central del procedimiento es verificar que no se hayan omitido
en la regresin uno o ms de los siguientes regresores:
- Potencias enteras positivas de los regresores actualmente incluidos en la
regresin.
- Productos cruzados de los regresados actualmente incluidos en la regresin.
- Logaritmos o recprocos de los regresores actualmente incluidos en la regresin.

El contraste se basa en la prueba de una regresin aumentada tal como s e indica a
continuacin. Si la regresin actual es:

El test construir la siguiente relacin:


Donde las variables en la matriz Z son regresores presumiblemente omitidos en la
regresin original. Si se demostrara que el vector j es nulo, dicha hiptesis se
rechazara.

En trminos prcticos, el test de Ramsey utiliza los propios regresores registrados en X
para construir la matriz Z.

Donde:




Ramsey RESET Test
Equation: UNTITLED
Specification: SB C X2 X3
Omitted Variables: Squares of fitted values


Value df Probability
t-statistic 0.327389 236 0.7437
F-statistic 0.107183 (1, 236) 0.7437
Likelihood ratio 0.108975 1 0.7413


F-test summary:
Sum of Sq. df
Mean
Squares
Test SSR 0.183411 1 0.183411
Restricted SSR 404.0227 237 1.704737
Unrestricted SSR 403.8393 236 1.711183
Unrestricted SSR 403.8393 236 1.711183


LR test summary:
Value df
Restricted LogL -403.0451 237
Unrestricted LogL -402.9906 236



Unrestricted Test Equation:
Dependent Variable: SB
Method: Least Squares
Erick Lahura Econometra 2 / 2010-2




6

Date: 04/06/11 Time: 23:35
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 2.173886 0.163160 13.32367 0.0000
X2 1.445634 0.135339 10.68156 0.0000
X3 1.298877 0.128807 10.08390 0.0000
FITTED^2 0.005108 0.015601 0.327389 0.7437


R-squared 0.704929 Mean dependent var 2.245588
Adjusted R-squared 0.701178 S.D. dependent var 2.392996
S.E. of regression 1.308122 Akaike info criterion 3.391588
Sum squared resid 403.8393 Schwarz criterion 3.449599
Log likelihood -402.9906 Hannan-Quinn criter. 3.414963
F-statistic 187.9356 Durbin-Watson stat 1.531918
Prob(F-statistic) 0.000000




Regla de rechazo: p-value < 0.05: Rechazo

. En este caso, se acepta la Hiptesis nula.



- Test de Residuos Recursivos
Una estimacin recursiva del modelo es aquella que primero utiliza k observaciones al
inicio de la muestra para evaluar coeficientes y luego se va agregando una observacin
adicional para cada nueva estimacin. Cada estimacin del conjunto de coeficientes
es, a su vez, utilizada para predecir el valor de la variable dependiente en el perodo
siguiente. Con esta informacin, el programa estima el error de prediccin de manera
recursiva, tal como se muestra en la siguiente ecuacin:



Bajo la hiptesis nula de estabilidad de parmetros, el error normalizado se distribuye
como una normal con media cero y varianza constante y es independiente del residuo
recursivo normalizado (w).
Eviews realiza la estimacin de w
t
para t=k+1,, n y reporta su evolucin alrededor de
0, adems incluye una banda de confianza calculada como 2 veces la desviacin
estndar en cada observacin. Si los parmetros se mantienen constantes a lo largo de
toda la muestra, es de esperar que los valores de los errores de prediccin se
encuentren dentro de esta banda de confianza; es decir, que su valor medio sea igual a
cero. Por tanto la existencia de valores fuera de este intervalo ser un indicador de
que la hiptesis de estabilidad est siendo violada.
Erick Lahura Econometra 2 / 2010-2




7



Dicho grafico ofrece evidencia sobre la existencia de un quiebre estructural. La
presencia de valores fuera del intervalo de confianza a mediados del 90 indica que es probable
que los parmetros cambien alrededor de esta fecha.

- Prueba CUSUM
Esta prueba se basa en la suma acumulada de los residuos normalizados. La evaluacin
de presencia de quiebre se realiza graficando el estadstico CUSUM a lo largo del
tiempo. Si esta grafica permanece dentro de las bandas de confianza, entonces los
coeficientes son estables en el tiempo, pero si la grafica traspasa las bandas, se
reconoce la posible existencia de un cambio estructural en el modelo.
La expresin asociada a este estadstico es la siguiente:


Donde w es el residuo recursivo definido lneas arriba y es el error estndar del
modelo estimado con todas las observaciones disponibles.

-3
-2
-1
0
1
2
3
4
5
55 60 65 70 75 80 85 90 95 00 05
Recursive Residuals 2 S.E.
Erick Lahura Econometra 2 / 2010-2




8




- Prueba CUSUM cuadrado
El estadstico CUSUM cuadrado hace referencia a la suma acumulada de los residuos
normalizados al cuadrado. Por lo mismo, este estadstico no est expuesto a los
problemas de la prueba anterior en lo referente a la presencia de errores con signo
contrario. No obstante, su interpretacin no es tan evidente como en el ndice CUSUM
convencional, ya que no se espera que su valor medio sea nulo. Dada la construccin
del estadstico:



Al igual que en los casos anteriores, si el estadstico arroja un valor que sobrepasa el
intervalo de confianza, no podemos afirmar que la media sea la indicada lneas arriba,
y por tanto, que los parmetros sean estables.

-60
-40
-20
0
20
40
60
80
55 60 65 70 75 80 85 90 95 00 05
CUSUM 5% Significance
Erick Lahura Econometra 2 / 2010-2




9



- Test Predictivo de una etapa
El grafico asociado a esta prueba traza los residuos recursivos y los errores estndar en
la parte superior (esta parte de la grafica es idntica a la grafica que se obtiene al
requerir los residuos recursivos). Adicionalmente, en la parte inferior se muestra una
nube de puntos que indican el nivel de confianza en el que es posible rechazar la
hiptesis nula de estabilidad. Como sabemos a un nivel de significancia del 5% tiene
asociada una confianza del 95%.


Debemos fijarnos en los puntos que tienen asociado el nivel de significancia mas bajo,
en este caso se distinguen varios puntos cercanos a 0 en toda la muestra. Este
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
55 60 65 70 75 80 85 90 95 00 05
CUSUM of Squares 5% Significance
.000
.025
.050
.075
.100
.125
.150
-4
-2
0
2
4
6
55 60 65 70 75 80 85 90 95 00 05
One-Step Probability
Recursive Residuals
Erick Lahura Econometra 2 / 2010-2




10

resultado se lee de la siguiente manera: aun con un nivel de significancia bastante
reducido, la comparacin del residuo recursivo obtenido con el intervalo de confianza
nos lleva al rechazo de la hiptesis de estabilidad. Notemos que cuando los errores
recursivos salen de las bandas, los puntos generados a partir del test predictivo de una
etapa se encuentra en niveles inferiores a 5%.

- Test Predictivo de n etapas
En lugar de analizar los coeficientes estimados con la informacin disponible hasta t-1
para predecir nicamente la siguiente observacin Y
t
, consideramos la posibilidad de
utilizarlos para predecir las observaciones que siguen (t,,n) . As, una divergencia
considerable entre los valores predichos y los verdaderos seria evidencia a favor de la
existencia de un quiebre estructural.
Su interpretacin de los puntos de probabilidad es la misma a la de la prueba de una
etapa.


- Test de Coeficientes Recursivos
Esta prueba grafica permite analizar la evolucin de cualquier coeficiente a medida
que la muestra empleada para la estimacin se ampla en una observacin. Por ello, y
bajo la hiptesis de estabilidad, cabe esperar que los valores de cada coeficiente
converjan en la mediad en que la estimacin se acerque a aquella que utiliza toda la
informacin disponible.
.000
.025
.050
.075
.100
.125
.150
-4
-2
0
2
4
6
55 60 65 70 75 80 85 90 95 00 05
N-Step Probability
Recursive Residuals
Erick Lahura Econometra 2 / 2010-2




11




2. HETEROSCEDASTICIDAD.

En base a la informacin de la pestaa Hetero, responda:

2.1 Estime la ecuacin:



Dependent Variable: H
Method: Least Squares
Date: 03/30/11 Time: 15:01
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 3.146230 1.459948 2.155029 0.0322
X2 1.068623 0.106695 10.01571 0.0000
X3 0.820669 0.107823 7.611227 0.0000


R-squared 0.422491 Mean dependent var 22.03693
Adjusted R-squared 0.417618 S.D. dependent var 4.298596
S.E. of regression 3.280429 Akaike info criterion 5.226247
Sum squared resid 2550.407 Schwarz criterion 5.269754
Log likelihood -624.1496 Hannan-Quinn criter. 5.243777
F-statistic 86.69175 Durbin-Watson stat 1.887091
Prob(F-statistic) 0.000000




-2
-1
0
1
2
3
55 60 65 70 75 80 85 90 95 00 05
Recursive C(1) Estimates
2 S.E.
0
1
2
3
4
5
6
55 60 65 70 75 80 85 90 95 00 05
Recursive C(2) Estimates
2 S.E.
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
55 60 65 70 75 80 85 90 95 00 05
Recursive C(3) Estimates
2 S.E.
Erick Lahura Econometra 2 / 2010-2




12

2.2 Determine la presencia de Heteroscedasticidad usando las siguientes pruebas.
Especifique en cada una de ellas, la Ho y Ha, as como tambin la Regla de Rechazo.

- Test de Glejser (1969)

- Se asume que los regresores originales contenidos en el vector x son los que
generan heteroscedasticidad.
- Hiptesis nula y alternativa:



- El estadstico (t o F) es el que permite evaluar la significancia del vector theta
en:


Heteroskedasticity Test: Glejser


F-statistic 4.012610 Prob. F(2,237) 0.0193
Obs*R-squared 7.860630 Prob. Chi-Square(2) 0.0196
Scaled explained SS 7.950496 Prob. Chi-Square(2) 0.0188



Test Equation:
Dependent Variable: ARESID
Method: Least Squares
Date: 04/07/11 Time: 00:37
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 1.138063 0.875965 1.299211 0.1951
X2 -0.035009 0.064017 -0.546875 0.5850
X3 0.182278 0.064694 2.817553 0.0052


R-squared 0.032753 Mean dependent var 2.582940
Adjusted R-squared 0.024590 S.D. dependent var 1.992904
S.E. of regression 1.968248 Akaike info criterion 4.204586
Sum squared resid 918.1385 Schwarz criterion 4.248094
Log likelihood -501.5504 Hannan-Quinn criter. 4.222117
F-statistic 4.012610 Durbin-Watson stat 1.944607
Prob(F-statistic) 0.019329




- Test de Harvey (1976)
- Se asume que los regresores originales contenidos en el vector x son los que
generan heteroscedasticidad.

- Hiptesis nula y alternativa:




El estadstico (t of F) es el que permita evaluar la significancia del vector theta en:
2 , 1 , ) ( :
:
' 2
2 2
0
= + =
=
m x H
H
m
i i a
i
u o o
o o
i i
v x u + + = u o
'
| |
) exp( :
:
' 2
2 2
0
u o
o o
i i a
i
x H
H
=
=
Erick Lahura Econometra 2 / 2010-2




13





Heteroskedasticity Test: Harvey


F-statistic 0.887988 Prob. F(2,237) 0.4128
Obs*R-squared 1.785079 Prob. Chi-Square(2) 0.4096
Scaled explained SS 1.820309 Prob. Chi-Square(2) 0.4025



Test Equation:
Dependent Variable: LRESID2
Method: Least Squares
Date: 04/07/11 Time: 00:38
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 0.217296 1.000912 0.217098 0.8283
X2 -0.015115 0.073148 -0.206639 0.8365
X3 0.098301 0.073922 1.329800 0.1849


R-squared 0.007438 Mean dependent var 1.034532
Adjusted R-squared -0.000938 S.D. dependent var 2.247943
S.E. of regression 2.248998 Akaike info criterion 4.471268
Sum squared resid 1198.744 Schwarz criterion 4.514776
Log likelihood -533.5521 Hannan-Quinn criter. 4.488798
F-statistic 0.887988 Durbin-Watson stat 2.055691
Prob(F-statistic) 0.412847




- Test de Breusch-Pagan (1979)

- La heteroscedasticidad se asocia a que la varianza puede ser una funcin
(desconocida) de una combinacin lineal de q variables conocidas contenidas
en el vector x.
- Hiptesis nula y alternativa:
-


- Estadstico:


- Donde el R2 proviene de la regresin auxiliar:








i i i
v x u + + = u o
' 2
ln
) ( :
:
' 2 2
2 2
0
u o o o
o o
i i a
i
x h H
H
+ =
=
) ( ~
2 2
q nR LM _ =
i i i
v x u + + = u o
' 2

Erick Lahura Econometra 2 / 2010-2






14

Heteroskedasticity Test: Breusch-Pagan-Godfrey


F-statistic 5.044448 Prob. F(2,237) 0.0072
Obs*R-squared 9.799449 Prob. Chi-Square(2) 0.0074
Scaled explained SS 8.564846 Prob. Chi-Square(2) 0.0138



Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:38
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C -0.315352 6.240521 -0.050533 0.9597
X2 -0.332456 0.456065 -0.728967 0.4667
X3 1.449319 0.460890 3.144612 0.0019


R-squared 0.040831 Mean dependent var 10.62670
Adjusted R-squared 0.032737 S.D. dependent var 14.25745
S.E. of regression 14.02214 Akaike info criterion 8.131573
Sum squared resid 46599.01 Schwarz criterion 8.175081
Log likelihood -972.7887 Hannan-Quinn criter. 8.149103
F-statistic 5.044448 Durbin-Watson stat 1.902740
Prob(F-statistic) 0.007154



- Test de White (con y sin trminos cruzados,1980)

- Hiptesis nula y alternativa:



- Estadstico:


- donde el R2 y q = # coeficientes -1 estn asociados a la regresin auxiliar:



- La generalidad de esta prueba radica en que no requiere un modelo especfico
de la heteroscedasticidad.
- La debilidad es que si se rechaza la hiptesis nula no se puede concluir que
existe heteroscedasticidad.
- Esta es una prueba asinttica cuyos resultados son ms confiables a medida
que n crece.







cierto es no uno menos al H
u de nte independie X u X y H
a
i
:
, , :
2 2
0
+ = = | o o
) ( ~
2 2
q nR LM _ =
i i i i i
v xc x x u + + + + =
3
'
2
'
1
' 2
) ( ) 2 ( u u u o
Erick Lahura Econometra 2 / 2010-2




15

Sin trminos cruzados:

Heteroskedasticity Test: White


F-statistic 4.728201 Prob. F(2,237) 0.0097
Obs*R-squared 9.208674 Prob. Chi-Square(2) 0.0100
Scaled explained SS 8.048501 Prob. Chi-Square(2) 0.0179



Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:39
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 4.686565 3.295090 1.422288 0.1563
X2^2 -0.011972 0.022133 -0.540923 0.5891
X3^2 0.071207 0.023242 3.063800 0.0024


R-squared 0.038369 Mean dependent var 10.62670
Adjusted R-squared 0.030254 S.D. dependent var 14.25745
S.E. of regression 14.04012 Akaike info criterion 8.134136
Sum squared resid 46718.60 Schwarz criterion 8.177644
Log likelihood -973.0963 Hannan-Quinn criter. 8.151666
F-statistic 4.728201 Durbin-Watson stat 1.904384
Prob(F-statistic) 0.009693



Con trminos cruzados:

Heteroskedasticity Test: White


F-statistic 2.521249 Prob. F(5,234) 0.0302
Obs*R-squared 12.26854 Prob. Chi-Square(5) 0.0313
Scaled explained SS 10.72286 Prob. Chi-Square(5) 0.0572



Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:40
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 41.77396 35.10348 1.190023 0.2352
X2 -6.624864 4.012580 -1.651023 0.1001
X2^2 0.196850 0.154065 1.277706 0.2026
X2*X3 0.231765 0.258060 0.898104 0.3701
X3 -0.756745 4.296508 -0.176130 0.8603
X3^2 -0.008001 0.168897 -0.047372 0.9623


R-squared 0.051119 Mean dependent var 10.62670
Adjusted R-squared 0.030844 S.D. dependent var 14.25745
S.E. of regression 14.03585 Akaike info criterion 8.145789
Sum squared resid 46099.19 Schwarz criterion 8.232805
Erick Lahura Econometra 2 / 2010-2




16

Log likelihood -971.4947 Hannan-Quinn criter. 8.180850
F-statistic 2.521249 Durbin-Watson stat 1.924745
Prob(F-statistic) 0.030215



- Test ARCH-LM (Heteroscedasticidad condicional; Engel, 1982)

- Hiptesis nula y alternativa:





- Estadstico:

Donde el R2 y q = # rezagos estn asociados a la regresin auxiliar:






Heteroskedasticity Test: ARCH


F-statistic 0.555350 Prob. F(1,237) 0.4569
Obs*R-squared 0.558727 Prob. Chi-Square(1) 0.4548



Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:41
Sample (adjusted): 1950Q2 2009Q4
Included observations: 239 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 10.15240 1.151235 8.818709 0.0000
RESID^2(-1) 0.048477 0.065051 0.745218 0.4569


R-squared 0.002338 Mean dependent var 10.66387
Adjusted R-squared -0.001872 S.D. dependent var 14.27571
S.E. of regression 14.28907 Akaike info criterion 8.165200
Sum squared resid 48390.06 Schwarz criterion 8.194291
Log likelihood -973.7413 Hannan-Quinn criter. 8.176923
F-statistic 0.555350 Durbin-Watson stat 2.000398
Prob(F-statistic) 0.456878








=

+ =
=
q
s
s t s t a
t
u H
H
1
2
0
2
2 2
0
:
:
u u o
o o
) ( ~
2 2
q nR LM _ =
t
q
s
s t s t
v u u + + =

=

1
2
0
2
u u
Erick Lahura Econometra 2 / 2010-2




17



2.3 De presentarse Heteroscedasticidad, resuelva el problema encontrado. De qu
depende la metodologa a utilizar?
Si la Heteroscedasticidad es una caracterstica del modelo poblacional, entonces se
utiliza MCG, MCGF o MCO (errores estndar robustos).
- Si se conoce la forma funcional de la heteroscedasticidad y sus valores
numricos (caso inusual), se debe estimar los parmetros del modelo y hacer
inferencia usando MCG.
- Si se conoce slo la forma funcional de la heteroscedasticidad (caso menos
inusual), se debe estimar los parmetros del modelo y hacer inferencia usando
MCGF.
- Si no se conoce ni siquiera la forma funcional o no se tiene informacin
suficiente, se debe estimar los parmetros del modelo usando MCO. Para hacer
inferencia, se debe utilizar la frmula correcta de la matriz de var-cov y
estimarla de manera robusta (usando el estimador o matriz de White).


Dependent Variable: H
Method: Least Squares
Date: 04/07/11 Time: 00:36
Sample: 1950Q1 2009Q4
Included observations: 240
White heteroskedasticity-consistent standard errors & covariance


Variable Coefficient Std. Error t-Statistic Prob.


C 3.146230 1.527363 2.059910 0.0405
X2 1.068623 0.113803 9.390105 0.0000
X3 0.820669 0.105026 7.813936 0.0000


R-squared 0.422491 Mean dependent var 22.03693
Adjusted R-squared 0.417618 S.D. dependent var 4.298596
S.E. of regression 3.280429 Akaike info criterion 5.226247
Sum squared resid 2550.407 Schwarz criterion 5.269754
Log likelihood -624.1496 Hannan-Quinn criter. 5.243777
F-statistic 86.69175 Durbin-Watson stat 1.887091
Prob(F-statistic) 0.000000



2.4 Asumiendo que

, Cul es la metodologa apropiada? Por qu? Se


solucion el problema de Heteroscedasticidad? Aplique las pruebas vistas
anteriormente.
Si se conoce la forma funcional de la Heteroscedasticidad y sus valores numricos (caso
inusual), se debe estimar los parmetros del modelo y hacer inferencia usando MCG.


Dependent Variable: H
Method: Least Squares
Date: 04/07/11 Time: 00:36
Sample: 1950Q1 2009Q4
Included observations: 240
Weighting series: X3^(-0.5)
Weight type: Inverse standard deviation (EViews default scaling)


Erick Lahura Econometra 2 / 2010-2




18

Variable Coefficient Std. Error t-Statistic Prob.


C 3.106770 1.384519 2.243935 0.0258
X2 1.055323 0.103694 10.17732 0.0000
X3 0.838284 0.101802 8.234443 0.0000


Weighted Statistics


R-squared 0.436769 Mean dependent var 21.84398
Adjusted R-squared 0.432016 S.D. dependent var 3.868414
S.E. of regression 3.202754 Akaike info criterion 5.178320
Sum squared resid 2431.059 Schwarz criterion 5.221828
Log likelihood -618.3984 Hannan-Quinn criter. 5.195851
F-statistic 91.89339 Durbin-Watson stat 1.880985
Prob(F-statistic) 0.000000 Weighted mean dep. 21.64216


Unweighted Statistics


R-squared 0.422397 Mean dependent var 22.03693
Adjusted R-squared 0.417522 S.D. dependent var 4.298596
S.E. of regression 3.280698 Sum squared resid 2550.826
Durbin-Watson stat 1.887217



Pruebas para detectar Heterocedasticidad:


Heteroskedasticity Test: Breusch-Pagan-Godfrey


F-statistic 0.961970 Prob. F(2,237) 0.3836
Obs*R-squared 1.932606 Prob. Chi-Square(2) 0.3805
Scaled explained SS 1.621505 Prob. Chi-Square(2) 0.4445



Test Equation:
Dependent Variable: WGT_RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:42
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 11.03780 11.79192 0.936048 0.3502
X2*WGT -0.444609 0.426824 -1.041668 0.2986
X3*WGT 0.370305 0.959681 0.385862 0.6999


R-squared 0.008053 Mean dependent var 10.12941
Adjusted R-squared -0.000318 S.D. dependent var 13.31547
S.E. of regression 13.31758 Akaike info criterion 8.028469
Sum squared resid 42033.86 Schwarz criterion 8.071977
Log likelihood -960.4163 Hannan-Quinn criter. 8.045999
F-statistic 0.961970 Durbin-Watson stat 1.837572
Prob(F-statistic) 0.383626





Heteroskedasticity Test: Harvey

Erick Lahura Econometra 2 / 2010-2




19


F-statistic 0.127104 Prob. F(2,237) 0.8807
Obs*R-squared 0.257150 Prob. Chi-Square(2) 0.8793
Scaled explained SS 0.249240 Prob. Chi-Square(2) 0.8828



Test Equation:
Dependent Variable: LWRESID2
Method: Least Squares
Date: 04/07/11 Time: 00:43
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 1.497027 1.947637 0.768638 0.4429
X2*WGT -0.034067 0.070497 -0.483235 0.6294
X3*WGT -0.011944 0.158508 -0.075352 0.9400


R-squared 0.001071 Mean dependent var 1.038159
Adjusted R-squared -0.007358 S.D. dependent var 2.191579
S.E. of regression 2.199628 Akaike info criterion 4.426875
Sum squared resid 1146.692 Schwarz criterion 4.470383
Log likelihood -528.2249 Hannan-Quinn criter. 4.444405
F-statistic 0.127104 Durbin-Watson stat 2.047203
Prob(F-statistic) 0.880702




Heteroskedasticity Test: Glejser


F-statistic 0.662948 Prob. F(2,237) 0.5163
Obs*R-squared 1.335210 Prob. Chi-Square(2) 0.5129
Scaled explained SS 1.308986 Prob. Chi-Square(2) 0.5197



Test Equation:
Dependent Variable: AWRESID
Method: Least Squares
Date: 04/07/11 Time: 00:43
Sample: 1950Q1 2009Q4
Included observations: 240


Variable Coefficient Std. Error t-Statistic Prob.


C 2.448653 1.698540 1.441622 0.1507
X2*WGT -0.047976 0.061481 -0.780342 0.4360
X3*WGT 0.060052 0.138235 0.434420 0.6644


R-squared 0.005563 Mean dependent var 2.544641
Adjusted R-squared -0.002828 S.D. dependent var 1.915595
S.E. of regression 1.918302 Akaike info criterion 4.153179
Sum squared resid 872.1322 Schwarz criterion 4.196687
Log likelihood -495.3815 Hannan-Quinn criter. 4.170710
F-statistic 0.662948 Durbin-Watson stat 1.909206
Prob(F-statistic) 0.516283





Heteroskedasticity Test: ARCH
Erick Lahura Econometra 2 / 2010-2




20



F-statistic 1.565804 Prob. F(1,237) 0.2121
Obs*R-squared 1.568653 Prob. Chi-Square(1) 0.2104



Test Equation:
Dependent Variable: WGT_RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:44
Sample (adjusted): 1950Q2 2009Q4
Included observations: 239 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 9.336765 1.081467 8.633423 0.0000
WGT_RESID^2(-1) 0.081105 0.064816 1.251321 0.2121


R-squared 0.006563 Mean dependent var 10.15445
Adjusted R-squared 0.002372 S.D. dependent var 13.33775
S.E. of regression 13.32192 Akaike info criterion 8.025032
Sum squared resid 42061.25 Schwarz criterion 8.054124
Log likelihood -956.9913 Hannan-Quinn criter. 8.036755
F-statistic 1.565804 Durbin-Watson stat 1.999400
Prob(F-statistic) 0.212051




Heteroskedasticity Test: White


F-statistic 1.519709 Prob. F(5,234) 0.1844
Obs*R-squared 7.548268 Prob. Chi-Square(5) 0.1830
Scaled explained SS 6.333189 Prob. Chi-Square(5) 0.2751



Test Equation:
Dependent Variable: WGT_RESID^2
Method: Least Squares
Date: 04/07/11 Time: 00:44
Sample: 1950Q1 2009Q4
Included observations: 240
Collinear test regressors dropped from specification


Variable Coefficient Std. Error t-Statistic Prob.


C -21.96080 34.54516 -0.635713 0.5256
WGT^2 58.54086 30.82734 1.898992 0.0588
X2^2*WGT^2 0.301362 0.134740 2.236616 0.0263
X2*WGT^2 -8.593385 3.695449 -2.325397 0.0209
X2*X3*WGT^2 0.212010 0.241995 0.876094 0.3819
X3^2*WGT^2 0.083317 0.148727 0.560200 0.5759


R-squared 0.031451 Mean dependent var 10.12941
Adjusted R-squared 0.010756 S.D. dependent var 13.31547
S.E. of regression 13.24366 Akaike info criterion 8.029598
Sum squared resid 41042.34 Schwarz criterion 8.116614
Log likelihood -957.5517 Hannan-Quinn criter. 8.064659
F-statistic 1.519709 Durbin-Watson stat 1.863773
Prob(F-statistic) 0.184400


Erick Lahura Econometra 2 / 2010-2




21



Todas las pruebas No rechazan la hiptesis nula de homoscedasticidad, por lo tanto se corrigi la
Heteroscedasticidad.

3. Considere un modelo de regresin clsico de k variables: . Demuestre que el
vector de estimadores MCO de es sesgado cuando se asume A3Rsru, es decir, los regresores
y las perturbaciones tienen covarianza contempornea igual a cero.


Aplico esperanza en ambos lados:

Es una funcin no lineal de X, no sabemos si es igual a 0. Por lo


tanto es estimador de MCO bajo A3Rsru es sesgado.


4. Considere el siguiente modelo de regresin lineal clsico, . Calcule


utilizando:

a. La formula de la varianza total.

La frmula de la varianza total se define como:





A B

B =

, por supuesto A3sru:


B = 0

A =

, debido a que

tiene media 0 (por B), entonces su varianza ser:



A =



Entonces:



Erick Lahura Econometra 2 / 2010-2




22



b. Ley de esperanzas iteradas.




5. Sea el modelo de regresin lineal clsico utilizando notacin matricial:

donde el vector de perturbaciones (de orden ) se distribuye normal con media 0 (vector
) y matriz de varianzas y covarianzas igual a

es un escalar y una matriz positivo


definida de orden ). En particular, se asume que las perturbaciones son heterocedsticas:

2
=
2



a. Demuestre que le estimador MCO del vector es insesgado y consistente. Asuma que
los datos se comportan bien en asintticamente, es decir:



Adems, asuma por simplicidad que:

.

b. Asumiendo que

es diferente para cada , demuestre que el


estimador MCO del vector es asintticamente normal, es decir:



donde:




San Miguel, marzo de 2011




Erick Lahura Econometra 2 / 2010-2




23







Insesgadez:


Aplico esperanza condicional:


Bajo A3Rmi y A2:
Entonces:


Aplicando esperanzas iteradas:



Consistencia:



Aplico :



Slutsky:


Por A3Rsru



a. Asumiendo que

es diferente para cada , demuestre que el


estimador MCO del vector es asintticamente normal, es decir:


Sol.


De acuerdo al enunciado y usando la regla de slutsky:


Adems, se demuestra que



Erick Lahura Econometra 2 / 2010-2




24

Demostracin:
-



Por TLC:


Luego, por Cramer: