Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
I.
Regresin lineal
4.
11. Cul forma es superior para remover la tendencia de una serie diferenciar o usar un
polinomio de tendencia? Explique el proceso que se usa en cada tcnica.
El polinomio de tendencia es superior para remover la tendencia este ajuste del polinomio
de tendencia a la serie produce la estimacin de sus parmetros lo cual equivale a seleccionar,
dentro de la familia de los polinomios especificada por el grado, aquel que disperse a su
alrededor a todos los valores observados en la variable de forma balanceada. El mtodo
empleado para este ajuste es el de minimizacin de error medio. Una vez estimado el polinomio
particular se extrae la tendencia de la serie restando o dividiendo, segn sea la composicin, los
valores tomados por el polinomio en cada momento de tiempo de los valores correspondientes de
la variable en la serie. Este residuo es tomado para la estimacin de la bondad de ajuste del
modelo. La primera diferenciacin implica que toda la informacin til en la serie de tiempo es
un cambio de observacin a partir del prximo periodo, y que el nivel del original de la serie es
poco importante.
12. Qu significa que hubo un cambio estructural en el contexto de regresin lineal? Qu
significa en trminos generales?
En contexto de regresin lineal significa un cambio en los parmetros. La tendencia
cambia y las variables que la definen cambian tambin, la estructura se define por las relaciones
econmicas si la estructura cambia los parmetros ya no son fijos. Los parmetros, miden la
influencia que las variables explicativas tienen sobre el modelo.
En trminos generales un cambio estructural es un cambio en la estructura fundamental
de la economa que afecta a largo plazo. Esto implica que para que en el periodo Y+1 cambiara
la estructura en el periodo Y ocurri un evento muy particular que cambi la tendencia de como
se comportaba la economa esto puede significar que la tendencia dio un salto y ahora maneja
por encima de donde se manejaba anteriormente o que de un periodo a otro cae repentinamente
etc.
13. Para que se usan las variables instrumentales. Cul es el problema con los MCO en ese
caso?
Las variables instrumentales son variables exgenas correlacionadas con otra variable
endgena utilizada como una variable explicativa en una regresin. Estas variables
instrumentales se utilizan cuando la variable independiente original est altamente
correlacionada con el trmino de error en una regresin. Debido a que si utilizamos la variable
original de la regresin obtendremos estimadores tanto sesgados como inconsistentes, las
variables instrumentales nos ayudan con este problema.
El problema de los mnimos cuadrados ordinarios en la variable instrumental es que al
utilizar una variable independiente no correlacionada con el error los estimadores continan
siendo sesgados, pero al menos son consistentes. Si aumentamos el tamao de la muestra,
obtendremos al menos unos estimadores que converjan a sus verdaderos valores.
II. Series de Tiempo
14. Dentro del proceso para construir los modelos Box-Jenskins cul el paso ms
importante?
En el proceso de Box jenkings tenemos los pasos de identificacin, estimacin,
diagnostico y proyeccin. Dentro de todos estos procesos el de mayor importancia es el de
identificacin. Esto se debe a que para que tanto la estimacin y la proyeccin puedan tener
validez, los datos tienen que ser analizados con el fin de poder examinar si los mismos son no
estacionarios y bajo el FAC y el FACP verificar a qu tipo de modelo ARIMA se tendr que
utilizar. Este paso es el ms importante ya que de no haber estacionariedad los modelos solo
describirn la tendencia de las variables y no necesariamente su comportamiento.
15. Para qu se usan esos modelos.
Los modelos de series de tiempo se utilizan mayormente para hacer anlisis de
proyecciones basados en el comportamiento de una variable en relacin con valores anteriores o
rezagados de la misma variable. Tambin nos ayudan a poder hacer anlisis al corto plazo del
comportamiento de las variables sin utilizar modelos clsicos estructurales los cuales pueden ser
de mayor complejidad.
It is very simple - econometrician does not have to worry about which variables are
endogenous or exogenous.
Estimation is also very simple - each equation can be estimated separately with the usual
OLS method.
Forecasting - forecasts obtained from VAR models are in most cases better than those
obtained from the far more complex simultaneous equation models.
19. Explique los pasos que hay que realizar para construir y estimar un modelo VAR
Observando los residuos de la regresin y verificando que los mismos sean distribuidos
normal con media 0 y varianza
constante. Jarque-Bera del histograma de los residuos. (Esto sale en el captulo de
Applied)
Pruebas de omisin/inclusin.
Inclusin de Variables
superfluas.
Mala Especificacin.
24. Una teora implica que Y es funcin de X & Z. Un investigador estim ese modelo por
OLS y encontr que aunque en conjunto las 2 variables explicaban Y (mirando R2 y el
estadstico-F) no se poda rechazar la hiptesis de que individualmente los parmetros
eran iguales a cero. El investigador solucion el problema eliminado la variable Z (la
que tena el valor del estadstico t ms bajo) de la regresin y encontr que en el modelo
ahora la variable X era estadsticamente significativa, por lo que contino su estudio
con esa ecuacin. Considera usted que se hizo lo apropiado? Explique.
Claramente, el investigador se haba topado con un problema de multicolinealidad entre
las variables X y Z. Ante este problema, resolver multicolinealidad es posible mediante
componentes principales, pero este mtodo es altamente complejo. Como segunda mejor opcin
el investigador deba mantener las variables que ya tena y probar para la ausencia de otras
variables explicativas mediante una prueba de variables omitidas. El eliminar una de las
variables en este caso afectara el poder del modelo ya que, debido a la naturaleza de la relacin
entre X y Z, ambas deben permanecer juntas para ejercer efectivamente su rol explicativo.
25. El problema de multicolinealidad infla los estimados de la variancia de los estimadores
OLS. Qu otros efectos tiene?
La multicolinealidad est definida cuando existen relaciones lineares aproximadas entre
las variables independientes de un modelo. Cuando hay multicolinealidad, el procedimiento de
los mnimos cuadrados ordinarios no le da suficiente variacin independiente a una variable
como para poder calcular el efecto que tiene esa variable particular en la variable dependiente.
En otras palabras, los efectos de las variables independientes se confunden unos con los otros
como consecuencia de esa variabilidad inadecuada. Como la variacin que se le pueda atribuir a
una variable particular es poca, la informacin que se puede utilizar en el proceso de MCO para
estimar el coeficiente tambin es poca y por lo tanto, la varianza de los betas estar inflada; no
son de varianza mnima. Sin embargo, siguen siendo insesgados y el R no se afecta. En fin, el
problema general adems de las varianzas infladas, es que no se puede aislar el efecto que tiene
una variable particular en la variable dependiente. Es un problema de los datos.
B. Obtenga la Varianza de .
DW=1 .45
5.9967
Valor
22
P=.02
Estimado en una muestra de 1000 observaciones.
Donde: C es el consumo real de los individuos; YD es el ingreso personal disponible real
de los individuos;. Las cifras en parntesis son los valores-p asociados al estadstico-t.
Evale los resultados de las estimaciones, en su respuesta tome en cuenta:
a. Bondad del ajuste.
b. Significancia de las variables
c. Problemas economtricos que se puedan observar
30. Discuta los problemas que surgen al utilizar datos a travs del tiempo para estimar los
MCO y como se pueden tratar los mismos.
El problema principal con el uso de datos a travs del tiempo para estimar los MCO es
que los datos contienen tendencia. Dos variables con tendencia similar se pueden comportar de
manera similar aunque no exista una conexin lgica entre ellas. Por ejemplo, si ambas tienen
tendencia creciente, se encontrar una correlacin positiva y fuerte. Esto es un ejemplo de una
regresin espuria, caso que surge cuando las variables en la regresin no son estacionarias.
Cuando las variables en una regresin son no-estacionarias los valores de R^2 y el estadstico t
no siguen la distribucin usual y pueden estar exageradamente inflados. Adems, los MCO
suponen que los residuos de la regresin son aleatorios, pero los residuos de variables en serie de
tiempo presentan correlacin serial.
En las muestras de corte seccional, la ley de los grandes nmeros nos asegura que las
variaciones aleatorias se tienden a "nivelar" con una muestra suficientemente grande de
observaciones independientes. Esto pasa debido a que las medias, varianzas y covarianzas entre
las variables convergen a momentos fijos y finitos, pero la convergencia no se da en variables
no-estacionarias. El problema es mucho ms severo si las variables no son ergdicas. Estas
variables tienen "memoria larga", por lo que las observaciones que son muy separadas en el
tiempo estn todava fuertemente correlacionadas. Lo que esto significa para el anlisis de
regresin es que aun cuando acumulamos una gran cantidad de observaciones, la cantidad de
nueva informacin en esas observaciones se ve limitada por su correlacin con los datos
anteriores.
En caso de tener una serie con tendencia, se puede obtener estacionaridad diferenciando
la serie. En caso de que la varianza no sea constante, la misma se puede disminuir buscando el
logaritmo de la serie lo cual ayuda a obtener estacionaridad. Para obtener mejores resultados con
datos de series de tiempo, se debe utilizar un modelo ARIMA.