Académique Documents
Professionnel Documents
Culture Documents
EVALUACION DE
MODELOS
Tcnicas de Evaluacin de
Modelos
Se define como un amplio conjunto de
contrastes a los cuales un modelo puede y
debe someterse en muy diferentes
etapas durante el proceso de
construccin y subsiguiente empleo.
Existen una gran cantidad de ndices que
buscan medir la bondad de un modelo, la
eleccin se har en base a los objetivos
que persigue el investigador.
Tcnicas de Evaluacin de
Modelos
Por lo general, para medir la eficancia
de los modelos se divide la muestra en
dos, con la primera parte de la
muestra se construye el modelo y con
la segunda se evala la eficacia del
modelo (anlisis fuera de la muestra)
Tcnicas de Evaluacin de
Modelos
A continuacin se presentan ocho
mtodos o ndices utilizados en la
contrastacin de los modelos
clasificados en:
Contrastes de significacin estadstica
Validacin del modelo fuera de la
muestra
Contrastes de hiptesis bsicas.
Contrastes de Significacin
Estadstica
1.- Signo esperado del parmetro de regresin: un
contraste bsico para todo parmetro es que su
signo coincida con el que se haba planteado
originalmente en el modelo, basado en el
conocimiento terico de las relaciones econmicas.
2.- Coeficiente de determinacin (R
2
): se interpreta
como la proporcin de la variacin de la variable
endgena que queda explicada por la regresin:
R
2
= 1 - S
e
2
R
2
= coeficiente de determinacin
S
y
2
S
e
2
= varianza de los errores
S
y
2
= varianza de la variable real
Se establece que un R
2
= 0.8 es suficiente para
considerar que un modelo es bueno, sin embargo,
no se puede emitir un juicio inmediato sobre la
validez del modelo a partir de este indicador.
3.- Contraste de significacin de un parmetro
individual (estadstico t): un parmetro puede
considerarse estadsticamente significativo (a
niveles de confianza de aprox. 95%) si el valor
del estimador supera dos veces su desviacin
estndar.
4.- Estadstico de Durbin y Watson: se conoce
como estadstico d y se utiliza para detectar
autocorrelacin serial (o correlacin serial).
( )
d
e e
e
t t
t
t n
t
t
t n
=
=
=
=
=
1
2
2
2
1
Et: error o residuo en t
t: tiempo
Es la razn de las sumas de
las diferencias al cuadrado
de residuos sucesivos.
Una de las limitaciones de este test es que verifica la
hiptesis de ausencia de autocorrelacin en el trmino
de perturbacin, frente a la hiptesis alternativa de
autocorrelacin de primer orden. Si la estructura de
autocorrelacin del trmino de de perturbacin fuese
ms compleja, su deteccin podra pasar inadvertida.
Contrastes de Significacin
Estadstica
5.- Estadstico H de Durbin: es una
prueba para muestras grandes para
detectar correlacin serial de primer
orden en los modelos autorregresivos.
Se puede obtener a partir de d:
)]
[var( 1
2
o N
N
p H
=
p
|
.
|
\
|
= d
2
1
1
=
=
=
N
t
t
N
t
t t
R
N
R P
N
U
2
2
2
2
1
) (
1
% en real Variacion 100 *
% en proyectada Variacion 100 *
1
1
1
1
=
t
t t
t
t
t
e
t
t
X
X X
R
X
X X
P
El coeficiente U se interpreta como la relacin entre la raz
cuadrada del error cuadrtico medio de las predicciones y la
raz cuadrada del error cuadrtico medio correspondiente
al modelo naive que supone que no habr cambios en el futuro.
Para este modelo, U
2
= 1 , lo que representa un lmite superior,
ya que si lo sobrepasa, implica que el modelo predice peor que
el modelo ingenuo de paseo aleatorio.
Se puede descomponer el ndice U2 en
tres nuevos ndices: U
2
=U
2
s+U
2
v+U
2
c
Componente de sesgo U
2
s
Componente de varianza: U
2
v;
=
N
t
t
s
R
N
R P
U
2
2
2
2
1
) (
Recoge las diferencias entre
las medias.
=
N
t
t
r p
v
R
N
S S
U
2
2
2
2
1
) (
Este componente es mayor
cuanto ms difieran entre
si las desviaciones estndar
de las predicciones y de los
datos reales.
Componente de correlacin U
2
c:
=
=
N
t
t
R P
C
R
N
S S r
U
2
2
1
) 1 ( 2
R P
S S
R R P P
r
=
) ( ) (
Recoge las diferencias entre la
variacin conjunta entre predicciones
y realizaciones. Si Uc= 0 implica que
el coeficiente de correlacin es 1.
A medida que Uc se va acercando a 1,
la prediccin ser ms imperfecta.
3.- Comparacin con otros modelos
Comparacin con modelos ingenuos:
son modelos tan simples que en la
prctica slo se usan como referencia
a fin de valorar la capacidad
predictiva de otros modelos ms
complejos, comparando sus errores de
prediccin con los de stos.
CRITERIO
AIC de Akaike
BIC de Sawa
AICC de Hurvich y Sai
SBIC de Schwartz
HQ de Hannan y Quinn
MDL de Rissanen
BEC de Geweke y Meese
ln s
K
T
k
2
2 +
s T K K
s
s
K
k
K
2
2
2
2 1 ( ) ( ) + +
(
(
ln
( )
s
T K
T K
k
2
2
+
+
ln
ln( )
s
K T
T
k
2
+
ln
ln(ln( ))
s
K T
T
k
2 2
+
( )
ln
ln
T s
X X
T
k
2
+
'
s K s
T
T k
K K
2 2
+
ln( )
FORMULA
Otros ndices tiles para la valoracin de modelos
s
k
2
es la varianza residual corregida de cada modelo, es decir, SCR/(T - K), siendo
SCR la suma de los cuadrados de los residuos, T el tamao muestral y K el nmero de
regresores incluidos en el modelo .
K = k, para el modelo restringido y K= k para el modelo completo.
s
k
2
es la varianza residual corregida correspondiente al modelo completo.
X es la matriz de los K regresores.
2
kt
s
son las varianzas mustrales corregidas en la estimacin recursiva