Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
onometra
Apuntes de Clases
Marzo 2011
ndi
e general
1. Introdu
in
2.1.
2.2.
Anlisis de Regresin . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1.
Qu es una regresin? . . . . . . . . . . . . . . . . . . . .
2.1.2.
10
2.1.3.
11
2.1.4.
11
2.2.2.
2.3.
. . . . . . . . . . . . . . .
. . . . . . . . . .
14
16
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.2.3.
19
2.2.4.
Propiedades de un Estimador
. . . . . . . . . . . . . . . .
22
25
2.3.1.
25
2.3.2.
30
2.3.3.
. . . . . . . . . . . . .
Ordinarios . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.3.4.
2.4.
2.5.
. . . . . . .
35
. . . . . . . . . . . . . . . .
37
2.4.1.
37
2.4.2.
38
40
2.5.1.
41
2.5.2.
Teorema de Gauss-Markov . . . . . . . . . . . . . . . . . .
41
2.6.
. . . . . . . . . . . . . . . . . . .
43
2.7.
44
2.7.1.
44
2.7.2.
Anlisis de Varianza
46
2.7.3.
Bondad de Ajuste:
R2
. . . . . . . . . . . . . . . . . . . . .
2
R
. . . . . . . . . . . . . . . . .
47
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
2.8.1.
52
2.8.2.
60
2.8.3.
Intervalos de Conanza . . . . . . . . . . . . . . . . . . . .
60
2.8.4.
62
Predi in . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
2.9.1.
66
68
69
2.10.2. Estima in MV . . . . . . . . . . . . . . . . . . . . . . . .
70
72
72
2.8.
2.9.
Inferen ia
73
73
75
77
3.1.
77
3.2.
In orpora in de No Linealidades
. . . . . . . . . . . . . . . . . .
79
80
3.2.1.
3.3.
3.4.
82
87
3.5.
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
91
93
Sele in de Modelos . . . . . . . . . . . . . . . . . . . . . . . . .
95
3.5.1.
96
3.6.
99
3.7.
99
3.7.1.
. . . . . . . . . . . . . . .
99
3.7.2.
. . . . . . . . . . . . . . . . . .
100
3.7.3.
Ejemplo
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
100
3.8.
. . . . . . . . . . . . . . . . . .
101
3.8.1.
101
3.8.2.
. . . . . . . . . . . . . . . . . . .
102
3.8.3.
Ejemplo
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
103
3.9.
. . . . . . . . . . . . . . . . . . . . .
105
3.9.1.
106
3.9.2.
106
3.9.3.
Test de Hiptesis
. . . . . . . . . . . . . . . . . . . . . . .
107
3.9.4.
Estima in uando
. . . . . . . . . . . . . . . .
108
3.9.5.
. . . . . . . . . . . . . . . . . . . . . .
109
3.9.6.
Auto orrela in . . . . . . . . . . . . . . . . . . . . . . . .
118
4.2.
137
Multi olinealidad . . . . . . . . . . . . . . . . . . . . . . . . . . .
137
4.1.1.
139
4.1.2.
. . . . . . . . . . . . . . .
139
4.1.3.
141
4.1.4.
143
Error de Medi in . . . . . . . . . . . . . . . . . . . . . . . . . . .
145
4.2.1.
. . . . . . . . . .
147
4.2.2.
Test de Hausman . . . . . . . . . . . . . . . . . . . . . . .
148
Captulo 1
Introdu
in
E
onometra es la
ien
ia que apli
a mtodos matemti
os y estadsti
os al anlisis de datos e
onmi
os,
on el objetivo de dotar de una base empri
a a una
teora e
onmi
a, para as refutarla o veri
arla.
Aunque la e
onometra pare
e ser tan antigua
omo la misma
ien
ia e
onmi
a,
slo en 1930 se
rea la
So iedad E onomtri a,
E onometri a
en el que Ragnan
unin
E
onometra
Es
uela de Nego
ios, UAI
Capitulo 1: Introdu in
La metodologa e
onomtri
a se puede detallar (a grandes rasgos) segn lo enun
ia la Figura 1. En primer lugar
ontamos
on una teora e
onmi
a que bus
a
validez. Para ella, es ne
esario en
ontrar su equivalente modelo e
onomtri
o
(rela
iones matemti
as que des
riban el
omportamiento de los agentes involu
rados). Para estimar enton
es di
ho modelo, se ne
esita de la e
ua
in resultante
del modelo, los datos que ella impli
a y los supuestos bajo los
uales se
onstruye.
Slo una vez que
ontamos
on di
hos ingredientes se pro
ede a estimar
uantitativamente las predi
iones o impli
an
ias expuestas por la teora e
onmi
a
ini
ial. Luego, se debe realizar inferen
ia o pruebas de hiptesis, las
uales nos indi
arn si nuestros resultados son estadsti
amente signi
ativos. Si la respuesta
es si, enton
es slo queda realizar las predi
iones pertinentes y las re
omenda
iones de polti
a aso
iadas. Si la respuestas es no, enton
es, debemos revisar los
posibles errores que existan a nivel de teora o metodologa.
E
onometra
Es
uela de Nego
ios, UAI
Capitulo 1: Introdu in
TEORIA ECONOMICA
MODELO ECONOMETRICO
ECUACION
DATOS
SUPUESTOS
ESTIMACION
SI
NO
PREDICCIONES Y
RECOMENDACIONES DE POLITICA
TEORIA VERIFICADA
E
onometra
Es
uela de Nego
ios, UAI
Capitulo 1: Introdu in
Esta breve des
rip
in no es ms que una somera vista a lo que realmente impli
a
ha
er e
onometra. El
amino no est exento de di
ultades (en trminos de la
alidad de los datos, de la di
ultad de medir las variables que la teora indi
a,
de los supuestos que realizamos, et
), sin embargo, esto, ms que una di
ultad,
impli
a un desafo.
Captulo 2
Modelo de Regresin Lineal
2.1.
Anlisis de Regresin
expli ativas.
variable dependiente
y una o ms
variables
promedio pobla
ional de la variable dependiente para valores jos de la(s) variable(s) expli
ativa(s).
Por ejemplo, observemos la Figura 1, en el eje de las abs
isas tenemos nuestra
variable expli
ativa (X): notas
ontroles, y en el eje de las ordenadas tenemos
nuestra variable dependiente (Y): nota examen.
E
onometra
Es
uela de Nego
ios, UAI.
Podemos observar dos
osas: primero, para
ada nota posible en los
ontroles
(3.0, 4.0,..) tenemos un rango o distribu
in de notas en el examen y segundo,
el promedio de notas en el examen es mayor mientras mayores son notas de los
ontroles. Esto ltimo se puede apre
iar al trazar una re
ta que una los valores
promedios de notas en examen para
ada nota en los
ontroles (linea negra del la
Figura 1), la que
orresponde a la
variables aleatorias,
rela
iones
omo la ley de gravedad de Newton , las que son exa
tas (no tienen
naturaleza aleatoria).
1 La
ley de gravedad de Newton plantea que toda part
ula en el universo atrae a
ualquier
otra part
ula
on una fuerza dire
tamente propor
ional al produ
to de sus masas e inversamente
propor
ional al
uadrado de la distan
ia entre ellas: F=k( m1r2m2 ), donde F=fuerza, m1 y m2
son la masa de las dos part
ulas, r es la distan
ia y k una
onstante de propor
ionalidad. Esta
es una rela
in determinsti
a, ya que para valores de masas, distan
ia y
onstante sabemos
exa
tamente a la fuerza que se atraen estas part
ulas. Si alguna de las variables estuviera
medida
on error, la ley de Newton pasa a ser una rela
in estadsti
a, y F se
onvierte en una
variable aleatoria.
10
E
onometra
Es
uela de Nego
ios, UAI.
yx =
yx
on
X=
1
n
Pn
i=1 xi e
Pn
yi Y
i=1 xi X
= qP
2 qPn
2
n
x
X
i
i=1
i=1 yi Y
Y =
1
n
Pn
i=1
yi .
11
E
onometra
Es
uela de Nego
ios, UAI.
12
E
onometra
Es
uela de Nego
ios, UAI.
13
E
onometra
Es
uela de Nego
ios, UAI.
2.2.
Para esta se
in asumiremos que existe una variable dependiente (Y) que es
expli
ada por slo una variable (X).
Consideremos el siguiente ejemplo. En la Tabla 1 se presentan datos de salarios
y nivel de edu
a
in para una pobla
in de 60 individuos
E(Y|X)
16000
32868
50000
80000
100000
150000
219120
300000
547800
166199
18260
36520
54780
82170
109560
170000
273900
365200
730400
204532
10
15000
40000
58000
90000
120000
182600
280000
380000
913000
230956
11
15000
40000
60000
90000
120000
188973
328680
434120
821700
233164
12
20000
50000
73040
100000
140000
219120
365200
500000
1064558
281324
13
20000
54780
80000
100500
160000
257880
400000
550000
1460800
342662
14
21912
60000
89000
120000
200000
300000
500000
650000
1500000
382324
15
35000
73040
100000
140000
230000
400000
600000
883085
1826000
476347
16
40000
90000
105000
180000
280000
434686
730400
1000000
2487041
594125
17
60000
120000
165784
250000
365200
600000
1095600
1643400
4000000
922220
La pobla
in tiene 10 niveles distintos de edu
a
in, que van desde 8 a 17. Para
ada uno de estos niveles tenemos 9 individuos
on distintos salarios. A pesar de la
variabilidad en los salarios para
ada nivel edu
a
ional
onsiderado, en promedio
2 Una
E
onometra
Es
uela de Nego
ios, UAI.
valores
En la Figura 2, los valores medios
ondi
ionales estn mar
ados
on una
ruz. La
unin de estos valores representa la
donde
salario
2000000
3000000
4000000
pobla in.
1000000
Recta de regesin
poblacional (RRP)
x
10
14
12
16
18
Escolaridad
Figura 2: Distribucin de los salarios para distintos niveles de educacin.
o de las medias
ondi
ionales de la variable dependiente para los valores jos de
la(s) variable(s) expli
ativa(s).
En el ejemplo anterior los valores de Y (salario) no estaban distribuidos de forma
simtri
a en torno al valor promedio para
ada valor X, desde ahora asumiremos
que esto
15
E
onometra
Es
uela de Nego
ios, UAI.
(2.1)
donde f() es una fun in ualquiera, en el ejemplo anterior era una fun in lineal.
La e ua in (2.1) se denomina
Que forma tiene f() es una pregunta empri
a, aunque mu
has ve
es la teora
nos puede ayudar bastante. Supongamos que en nuestro ejemplo anterior el sa-
lario esta rela ionado linealmente on la edu a in, as podemos suponer que la
16
E
onometra
Es
uela de Nego
ios, UAI.
E(Y |Xi ) = 1 + 2 Xi
(2.2)
donde
ui = Yi E(Y |Xi )
o
Yi = E(Y |Xi ) + ui
donde
ui
(2.3)
gativos. Este trmino surge pues no se puede esperar que todas las observa iones
Yi
Xi .
Xi ,
Yi .
Lo que no pode-
ui ,
ui
Componente Determinsti o
Componente Aleatorio
17
E
onometra
Es
uela de Nego
ios, UAI.
Yi = E(Y |Xi ) + ui
= 1 + 2 Xi + ui
(2.4)
(2.5)
impli a que:
E(ui |Xi ) = 0
(2.6)
As, el supuesto de que la re ta de regresin pasa a travs de las medias ondi ionales de Y, impli a que la media ondi ional de
18
ui
es ero.
E
onometra
Es
uela de Nego
ios, UAI.
orresponden a unos valores jos de X. En este
aso tenemos que estimar la fun
in de regresin pobla
ional en base a informa
in muestral.
Los datos pobla
ionales aso
iados a la Figura 3 son los siguientes:
240
137
145
155
165
175
189
161
260
150
152
175
178
180
185
191
173
Supongamos que nosotros no
ono
emos estos datos, es de
ir, no tenemos a
eso
a las observa
iones
orrespondientes a la pobla
in total. Tenemos a nuestra disposi
in slo una muestra (Tabla 3), la que ha sido obtenida de forma aleatoria
de la pobla
in.
Es importante notar que a partir de una pobla
in podemos sa
ar una gran
antidad de muestras en forma aleatoria y en la realidad nosotros observamos solo
una de ellas. Debido a esta variabilidad en las muestras podremos estimar la FRP
pero no de manera pre
isa. Para ejempli
ar esto supongamos que adems de la
muestra en la Tabla 3 se sa
o otra muestra (Tabla 4) a partir de la informa
in
pobla
ional.
E
onometra
Es
uela de Nego
ios, UAI.
re tas de regresin muestral: FRM1 orresponde a la primera muestra y FRM2 orresponde a la segunda.
Como vemos, no es posible asegurar
ual de las dos re
tas muestrales representa
mejor la re
ta de regresin pobla
ional.
Enton
es es importante tener en mente que las re
tas de regresin muestral representan la re
ta de regresin pobla
ional, pero debido a u
tua
iones muestrales
pueden ser
onsideradas slo
omo una aproxima
in.
Como
ontraparte muestral la
omo:
Yi = 1 + 2 Xi
donde
de
Yi
es el estimador de E(Y|Xi ),
es el estimador de
(2.7)
es el estimador
2 .
20
E
onometra
Es
uela de Nego
ios, UAI.
Yi = 1 + 2 Xi + ui
(2.8)
Yi = 1 + 2 Xi + ui
(2.9)
Yi = 1 + 2 Xi + ui
(2.10)
Yi
presada omo:
Yi = Yi + ui
(2.11)
Yi = E(Y |Xi ) + ui
21
(2.12)
E
onometra
Es
uela de Nego
ios, UAI.
Yi
Yi
subestima
1. Se denomina
sesgo
.
E()
E() = .
su verdadero valor:
insesgado
si
2. El estimador es
e iente
o de
mnima varianza
es
un estimador
. En general se trata de
se dene
omo:
= E[( )2 ]
ECM()
Lo que se puede expresar equivalentemente de la siguiente manera:
= V ar()
+ [Sesgo()]
2
ECM()
4. La ltima propiedad de un estimador es la
onsisten ia.
El estimador
probabilidad
X1 , X2 ,...,Xn onverge en
> 0,
Esto se denota
lm P r[|Xn X| < ] = 1
plim Xn = X .
E
onometra
Es
uela de Nego
ios, UAI.
plim
plimX
X
=
Y
plimY
Ejemplo: Tenemos una variable yi que esta ompuesta por la suma de un omponente jo o determinsti o (c) y un omponente aleatorio(ui):
yi =
c
|{z}
componente
Si
ui N(0, u2 ),
enton es:
+
f ijo
ui
|{z}
componente
aleatorio
= E(yi ) = c
V (yi ) = E[(yi E(yi ))2 ] = E[u2i ] = u2
23
E
onometra
Es
uela de Nego
ios, UAI.
yi ,
la media mues-
tral:
1
1X
= Y = (y1 + y2 + ... + yn ) =
yi
n
n i=1
Veamos que propiedades tiene este estimador:
Insesgamiento: E() =
E(
) = E Y
1
= E
(y1 + y2 + ... + yn )
n
1
(E(y1 ) + E(y2 ) + ... + E(yn ))
=
n
dado que
E(
) = c =
yi:
=Y
1 = yi
E(Y ) = c
E(yi ) = c
V ar(Y )= nu
V ar(yi ) = u2
1 ,
Como
es un estimador insesgado de
al
1.
1 .
E
onometra
Es
uela de Nego
ios, UAI.
2.3.
ui = Yi Yi
= Yi 1 2 Xi
(2.13)
es de
ir, los residuos son simplemente la diferen
ia entre los valores verdaderos y
estimados de Y.
Si queremos que la fun
in de regresin muestral sea lo ms
er
ana posible
a la pobla
ional, debemos tratar de es
oger los
oe
ientes de regresin (los
's)
de forma tal que los errores sean lo ms pequeos posible. De a
uerdo a esto
un
riterio para es
oger la fun
in de regresin muestral podra ser minimizar
la suma de los los errores:
ui =
(Yi Yi ),
25
E
onometra
Es
uela de Nego
ios, UAI.
Este problema puede ser solu
ionado al
onsiderar la suma de los errores al
uadrado
omo
riterio a minimizar, en este
aso los errores ms lejos re
iben un
mayor peso:
X
El
u2i =
=
X
X
(Yi Yi )2
(Yi 1 2 Xi )2
(2.14)
de
mn
1 ,2
(Yi 1 2 Xi )2
(2.15)
u2i
= 2
(Yi 1 2 Xi ) = 2
ui = 0
1
P
X
X
u2i
= 2
(Yi 1 2 Xi )Xi = 2
ui Xi = 0
2
Simpli
ando (2.16) y (2.17) obtenemos las
(2.16)
(2.17)
e ua iones normales:
X
Yi = n1 + 2
Xi
X
X
X
Yi Xi = 1
Xi + 2
Xi2
(2.18)
(2.19)
1 :
1 =
P
Yi 2 Xi
n
(2.20)
Y i Xi =
Yi 2
n
Xi
Xi + 2
2 es:
P
P P
n
Y
X
X
Y
i
i
P 2
Pi 2 i
2 =
n Xi ( Xi )
Xi2
(2.21)
26
(2.22)
E
onometra
Es
uela de Nego
ios, UAI.
donde
xi = Xi X
P
xi yi
2 = P 2
xi
yi = Yi Y ,
X=
on
(2.23)
1
n
Pn
i=1 Xi
Y =
1
n
Pn
i=1
Yi
P
P P
Xi2 Yi Xi Xi Yi
P
P
n Xi2 ( Xi )2
= Y 2 X
1 =
(2.24)
(2.25)
Los resultados (2.23) y (2.25) podran haber sido obtenidos de igual forma, expresando ini
ialmente el modelo de regresin en desvia
iones
on respe
to a la media.
El modelo de regresin original es:
Yi = 1 + 2 Xi + ui
si le restamos el promedio de esta:
Y = 1 + 2 X + ui
(2.26)
(Yi Y ) = 2 (Xi X) + ui
yi = 2 xi + ui
As el problema de Mnimos Cuadrados Ordinarios es:
mn
2
(yi 2 xi )2
u2i
= 2
(yi 2 xi )xi = 0
2 ,
en ontrado en (2.23), y
1 = Y 2 X
27
se obtiene
E
onometra
Es
uela de Nego
ios, UAI.
i
informa
in muestral, la re
ta de regresin muestral (Y
= 1 + 2 Xi )
puede ser
obtenida f ilmente.
Ejemplo 1: Disponemos
realiza en Investiga in y Desarrollo (I+D) y las ganan ias anuales de esta ompaia
Ejemplo 2:
VEMPRESA
VISITAS
Yi = 1 + 2 Xi
AOL
ui = Yi 1 2 Xi
134844
50
98976.5
Yahoo
55526
38
70403.7
-14877.7
Ly os
5533
28
46593.1
-41060.1
CNet
4067
-1028.3
5095.3
611
-1028.3
1639.3
NBC Internet
4450
16
18020.3
-13570.3
Earthlink
2195
-8171.5
10366.5
El Sitio
1225
-15314.7
16539.7
26056.4
19.4
26056.4
Juno Web
PROMEDIO
35867.5
n
X
i=1
n
X
(Yi Y )(Xi X) = 5090422,9
i=1
5090422,9
2 =
= 2381,1
2137,9
1 = 26056,4 2381,1 19,4 = 20076,8
28
E
onometra
Es
uela de Nego
ios, UAI.
29
E
onometra
Es
uela de Nego
ios, UAI.
2 .
Yi
de la verdadera E(Y|Xi ). La Fun
in de regresin pobla
ional: Yi = 1 +2 Xi +ui ,
nos muestra que Yi depende de Xi y ui . As, los supuestos he
hos para estas dos
que tan
er
a estn
variables son fundamentales para lograr una interpreta
in vlida de los valores
estimados de la regresin. Mientras no se espe
ique la forma
omo se generan
Xi
ui ,
Yi
ni sobre
2 .
Yi = 1 + 2 Xi + ui
Supuesto 2: Los valores de X son jos, X se supone no esto
sti
a. Esto impli
a que el anlisis de regresin es un anlisis de regresin
ondi
ional,
ondi
ionado a los valores dados del regresor X.
ui
es ero:
E(ui |Xi ) = 0
Lo que nos di
e este supuesto es que los fa
tores que no estn
onsiderados
en el modelo y que estn representados a travs de
ui ,
ui
30
ui .
ui
se
E
onometra
Es
uela de Nego
ios, UAI.
ui
Dado el valor de
ui
es la misma.
Figura 8: Homocedasticidad
31
E
onometra
Es
uela de Nego
ios, UAI.
Xi , en este
Xi
re
e.
Figura 9: Heterocedasticidad
var(ui |Xi ) = i2
(2.27)
Supuesto 5: No existe auto
orrela
in entre los errores. Dado dos valores
de X,
Xi
Xj ,
ui
uj
es ero:
uj .
el efe to sistemti o de
Xi
sobre
Yi
u's.
E
onometra
Es
uela de Nego
ios, UAI.
individuales sobre Y.
Este supuesto se
umple automti
amente si X es no esto
sti
a y el supuesto 3 se
umple.
Supuesto 7: El nmero de observa
iones n debe ser mayor que el nmero de parmetros por estimar. El nmero de observa
iones tiene
que ser mayor que el nmero de variables expli
ativas, de otra forma no se
puede resolver el sistema de e
ua
iones. Supongamos que tenemos una sola
observa
in para nuestra variable dependiente y nuestra variable expli
ativa
(Y 1 y
X1 ),
Y1 = 1 + 2 X1 + u1
el estimador MCO de
P
xi yi
2 = P 2
xi
donde
e
es :
1 .
Xi = X ,
de esta forma ni
ni
pueden ser
33
E
onometra
Es
uela de Nego
ios, UAI.
dependen de
los datos muestrales, sin embargo, los datos
ambian de una muestra a otra y
as los valores estimados tambin, por eso es ne
esario tener una medida que nos
permita de
ir que tan
er
ano son los valores estimados a los valores pobla
ionales de los parmetros.
2 :
P
xi yi
2 = P 2
xi
donde
De
P
ui xi
E(2 ) = 2 + E P 2
xi
P
E(ui )xi
P 2
= 2 +
por
xi
= 2 por supuesto 3
supuesto 2
(2.28)
es
igual a su verdadero valor. Esta propiedad del estimador MCO se ono e omo
insesgamiento.
34
E
onometra
Es
uela de Nego
ios, UAI.
Por supuesto 4
E(u2i ) = 2
E(ui uj ) = 0,
y por supuesto 6
2 :
2
var(2 ) = P 2
xi
(2.29)
pare
iera ser un estimador razonable. Pero los errores de MCO, estn estimados
imperfe
tamente si los
omparamos
on los errores pobla
ionales, ya que dependen de una estima
in de
2 .
yi = 2 xi + (ui u)
(2.30)
ui = yi 2 xi
(2.31)
ui = 2 xi + (ui u) 2 xi
Elevando al
uadrado la expresin anterior, apli
ando sumatoria y tomando valor
esperado:
X
u2i
= E(2 2 )2
x2i + E
|
hX
i
h
i
X
(ui u)2 2 E (2 2 )
xi (ui u)
{z
}
|
{z
}
(i)
(ii)
P
xi ui X
2
= var(2 )
xi + (n 1)var(ui ) 2E P 2
xi (ui u)
xi
= 2 + (n 1) 2 2 2
= (n 2) 2
X
35
E
onometra
Es
uela de Nego
ios, UAI.
(i) E
hX
(ui u)2
i
(u2i 2ui u + u2 )
hX
i
X
2
2
E
ui 2u
ui + nu
i
hX
X
n
E
u2i 2u
ui + nu2
n
i
hX
2
2
2
E
ui 2nu + nu
hX
i
E
u2i nu2
"
P 2 #
X
ui
E
u2i n
n
n
n 2 2
n
(n 1) 2
= E
=
=
=
=
=
=
=
hX
h
i
h
i
X
X
xi (ui u)
(ii) E (2 2 )
xi (ui u) = E (2 2 )
P
xi ui X
= E P 2
xi (ui u)
xi
P
P
P
xi ui xi
( xi ui )2
P 2 u
P 2
= E
xi
xi
2
=
Por lo tanto se dene el estimador de la varianza
e2
e =
u2i
n2
e2
es un estimador insesgado de
e2 =
2 :
X
1
E
u2i = 2
n2
36
omo:
(2.32)
E
onometra
Es
uela de Nego
ios, UAI.
2.4.
Ahora abandonemos la simpli
a
in de solo usar dos variables, de ahora en adelante generalizaremos el modelo de regresin lineal para que pueda tener hasta k
variables expli
ativas.
A
lara
in: haremos un
ambio de nota
in,
ada observa
in i de la variable
dependiente ser denotada por
va, por ejemplo
X1 ,
yi
x1i .
i = 1, ..., n
xj ,
1
x21
y1
x22
y2 1
.. = .. 1 +
..
. .
.
yn
1
x2n
x31
xk1
x32
xk2
2 +
.. 3 + ... +
..
.
.
x3n
xkn
u1
u2
k + ..
.
un
Donde las variables expli
ativas se pueden agrupar en una sola matriz de dimensin nk, que denotaremos simplemente
omo X, de esta manera el modelo se
expresa de la siguiente forma:
y1
1 x21 x31 xk1
y2 1 x22 x32 xk2
.. = ..
..
..
..
..
. .
.
.
.
.
yn
1 x2n x3n xkn
donde
1
u1
2 u2
.. + .. Y = X + u(2.33)
. .
k
un
de dimensin nk y
mensin n1.
37
E
onometra
Es
uela de Nego
ios, UAI.
Ahora debemos expresar la distribu in del trmino de error en trminos matri iales:
E(u1 )
E(u2 )
E(u) =
= 0
.
.
n1
.
E(un )
E(uu ) =
.
.
.
..
..
..
..
.
E(un u1 ) E(un u2 ) E(u2n )
2 0 0
0 2 0
= ..
.
.
..
..
..
.
.
2
0 0
= 2 I
nn
0 , nn
I
2
n1
(2.34)
=
SE ()
n
X
u2i = uu
i=1
donde
u = Y X .
h
i
= mn (Y X )
(Y X )
mn SE ()
h
i
= mn Y Y 2 X Y + X X
SE ()
= 2X Y + 2X X = 0
= (X X)1 X Y
38
(2.35)
E
onometra
Es
uela de Nego
ios, UAI.
De (2.35) tenemos:
= 0 X u = 0
X (Y X )
(2.36)
se obtiene de resolver el
X X = X Y
1
1
1
1
x2,1 x2,2 x2,3 x2,n
x3,1 x3,2 x3,3 x3,n
.
..
.
..
.
..
..
.
..
1 x2,1 x3,1
1 x2,2 x3,2
1 x2,3 x3,3
.
..
.
..
.
..
..
xk,1
xk,2
xk,3
.
..
1
1
1
1
x2,1 x2,2 x2,3 x2,n
x3,1 x3,2 x3,3 x3,n
..
.
..
.
..
.
..
..
.
Pn
Pn
n
i=1 x2,i
i=1 x3,i
P
P
P
n
n
2
n x2,i
i=1 x2,i x3,i
Pni=1
Pn i=1 x2,i
P
n
2
x
x
x
i=1 3,i
i=1 3,i 2,i
i=1 x3,i
..
..
..
Pn .
Pn .
Pn .
i=1 xk,i
i=1 xk,i x2,i
i=1 xk,i x3,i
P
P ni=1 xk,i
Pni=1 x2,i xk,i
n
Pn
..
.
i=1
x2k,i
1
2
3
..
.
k
y1
y2
y3
..
.
yn
1
2
3
..
.
Pn
Pn i=1 yi
yi x2,i
Pi=1
n
i=1 yi x3,i
Pn
i=1
Es importante re
ordar que el estimador MCO esta denido solo
uando la matriz
(X'X) es invertible, lo que o
urre siempre y
uando:
k .(Supuesto
7)
Pongamos aten in en el segundo supuesto, uando n=k la matriz X tiene dimensin kk, por lo tanto salvo que no se umpla el supuesto 8, X es invertible, y de
1
esta forma (X X)
= X 1 (X )1 y por lo tanto:
= (X X)1 X Y = X 1 (X )1 X Y = X 1 Y
39
(2.37)
..
.
yi xk,i
E
onometra
Es
uela de Nego
ios, UAI.
el ve tor de residuos
u = Y X = Y X(X 1 Y ) = Y Y = 0n ,
de esta forma
el ajuste es perfe
to, ya que todos los residuos son
ero, la suma residual de igual
forma toma el mnimo valor posible,
ero.
Sin embargo, esta no es una
ara
tersti
a deseable, el ajuste perfe
to o
urre
porque tenemos una muestra muy redu
ida. Esto trae
omo
onse
uen
ia po
o
robustez e impre
isin en las estima
iones. Si es
ogemos una nueva muestra, del
mismo tamao que la anterior, obtendremos otro estimador
on
suma residual
2.5.
grados de libertad
de la estima in.
errores:
(2.38)
=
E()
Es de
ir, el estimador MCO es
(2.39)
e
ua
in (2.28).
De (2.38) podemos denir el
= (X X)1 X u
40
omo:
E
onometra
Es
uela de Nego
ios, UAI.
=
var()
=
=
=
=
=
( E())
]
E[( E())
E[( ) ( ) ]
E[(X X)1 X uuX(X X)1 ]
(X X)1 X E(uu)X(X X)1
(X X)1 X ( 2 In )X(X X)1
2 (X X)1
ne esitamos reemplazar
(2.40)
en (2.40) por su
estimador insesgado:
u u
e =
nk
2
si se umple
lo siguiente:
1. El
variable
2. Es
en el modelo de regresin.
insesgado,
valor,
,
E()
es igual a el verdadero
estimador e iente.
mayor
e
Demostra
in: Sea e = Ay
un estimador lineal de
41
donde
e
A
es una matriz
E
onometra
Es
uela de Nego
ios, UAI.
kn. Denotemos
e (X X)1 X ,
A=A
de modo que:
e = [A + (X X)1 X ]Y
= [A + (X X)1 X ](X + u)
= AX + + [A + (X X)1 X ]u
El estimador
forma:
e = AX + + [A + (X X)1 X ]E(u)
E()
= AX +
ser insesgado solo si la matriz A es tal que AX=0kk . De esta
e = + [A + (X X)1 X ]u
e = E[(e )(e )]
cov()
= E{([A + (X X)1 X ]u)([A + (X X)1 X ]u) }
= 2 AA + 2 (X X)1
| {z }
cov()
42
E
onometra
Es
uela de Nego
ios, UAI.
2.6.
Y = X + u
la que puede ser rees
rita de la siguiente forma:
Y = P Y + MY
donde P se denomina
matriz de proye in
(2.41)
P = X(X X)1 X
Adems se tiene que M=I-P. De a
uerdo a la e
ua
in (2.36) el estimador MCO
es tal que los errores son ortogonales a las X, es de
ir se deben es
oger los parmetros
entre si: el primer
omponente puede ser es
rito
omo una
ombina
in lineal
de las
olumnas x y el segundo es un
omponente ortogonal a X (el trmino de
error), tal
omo lo muestra (2.41). Esto se representa gr
amente en la Figura
10.
MY
x1
PY
x2
Col X
El trmino
PY
MY
omo la proye in de
a las X's.
43
en el
es el espa io ortogonal
E
onometra
Es
uela de Nego
ios, UAI.
2.7.
El objetivo de esta se
in es introdu
ir un
riterio de ajuste de nuestra regresin, es de
ir, un
riterio que nos indique
uan bien se ajusta nuestro modelo a
la muestra.
En prin
ipio, podramos pensar que la suma de los residuos
uadrados, es de
ir, nuestro
riterio original de ajuste, es una buena op
in: a menor sea ste,
mejor es nuestro ajuste. Sin embargo, la suma de los residuos
uadrados puede
ser arbitrariamente es
alada al multipli
ar la variable dependiente (Y) por el fa
tor de es
ala deseado, lo
ual invalida su uso
omo
riterio de ajuste.
Por ello, se ha desarrollado un
riterio que elimine el problema anterior. Di
ho estadsti
o ya no se basar en la
magnitud
i = 1...n
(2.42)
(2.43)
Luego, si sumamos para todas las observa
iones y dividimos a ambos lados por
el tamao muestral n, tenemos:
Y = 1 + 2 x2 + 3 x3 + + k xk
(2.44)
1 = Y 2 x2 + 3 x3 + + k xk
(2.45)
por lo ual:
E
onometra
Es
uela de Nego
ios, UAI.
(2.46)
la
ual es una expresin similar a (2.43), ex
epto por dos importantes diferen
ias.
Primero, el modelo no posee
onstante y segundo, las variables se en
uentran
expresadas en desvos
on respe
to a la media. A pesar de ello, note que los
oe
ientes y los residuos son los mismos en ambos modelos.
De lo anterior surge un importante
orolario respe
to del trmino
onstante de
nuestro modelo. En general, el inters del investigador se
entra en el impa
to de
los regresores sobre la variable dependiente, por lo
ual, el trmino
onstante no
es ms que una
orre in
1 0 0
1 1 1
1 n1 n1 n1
1
1
1
ii
0 1 0 1 1 1 1 n 1 n n
0
M = I = .. .. . . .. .. .. . . .. = ..
..
..
..
nn
n
. .
.
.
.
.
. n .
.
.
.
.
1
1
0 0 1
1 1 1
n
n 1 n1
donde I es la identidad (nn) e
matriz de desvos
Pn
y1
yi
Pi=1
n
y
1
2 1 i=1 yi
M 0 Y = Y ii Y = ..
..
n
. n
Pn.
yn
i=1 yi
y1 Y
y2 Y
..
yn Y
Por lo tanto, nuestro modelo expresado en matri es, puede ser expresado en trminos de desvo on respe to a la media omo:
M 0 Y = M 0 X + M 0 u
45
(2.47)
E
onometra
Es
uela de Nego
ios, UAI.
Y = X + u
donde Y
orresponde a una ve
tor
n 1,
n 1.
nk
y u orresponde
n
X
T SS =
(Yi Y )2
(2.48)
i=1
M 0 Y = M 0 X + M 0 u
on lo
ual, al parti
ionar nuestra matriz X en X
parmetros en = [1
2 ] y
onsiderando que
= [i X2 ], nuestro ve
tor de
M 0 i = 0 y que M 0 u = u,
tenemos que:
M 0Y
= M 0 i1 + M 0 X2 2 + M 0 u
= M 0 X2 2 + u
(2.49)
Luego, para formar la TSS(suma de los
uadrados totales o la suma de los
uadrados de las desvia
iones de Y
on respe
to a su media), de la e
ua
in (2.48),
multipli
amos por Y' la e
ua
in (2.49):
Y M 0Y
=
=
=
0
Y M Y =
T SS =
Y (M 0 X2 2 + u)
(X + u) (M 0 X2 2 + u)
X M 0 X2 2 + X u + u M 0 X2 2 + u u
2 X2 M 0 X2 2 + u u
ESS + RSS
(2.50)
(2.51)
donde el segundo y el ter er trmino desapare en gra ias a que los residuos estimados son, por onstru in, ortogonales a las variables expli ativas
4 . La igualdad
3 Note que para di
ha deni
in utilizamos los
uadrados de la desvia
iones, ya que la suma
de las desvia
iones es siempre
ero.
4 Ya que X u
= X Y X Y = 0.
= X (Y X )
46
E
onometra
Es
uela de Nego
ios, UAI.
El trmino de la
R2 =
ESS
T SS
(2.52)
R2 = 1
RSS
T SS
(2.53)
Note que:
1. El
oe
iente de determina
in es siempre menor a 1. Ello porque
T SS y por lo tanto RSS
1.
T SS
RSS
R2
tante o aumentar)
4. No es
laro
uan bueno sea
omo predi
tor de ajuste.
Para ver este ltimo punto, suponga que usted posee el siguiente modelo pobla ional:
Y = 1 + 2 X + u
47
E
onometra
Es
uela de Nego
ios, UAI.
donde X es un ve tor (n
1).
Y X = 1 + X + u
Si
2 1,
R2
1, mientras que el del segundo sera
er
ano a
ero, a pesar de que los modelos
son matemti
amente equivalentes. A pesar de lo anterior, en trabajos apli
ados,
2
el R es ampliamente utilizado, por lo
ual se re
omienda su publi
a
in.
Retro
edamos ahora al punto tres. El nos di
e que el
oe
iente de determina
in
probablemente
re
er al in
luir regresores. Ello plantea in
entivos a in
luir regresores no relevantes para nuestro modelo,
on el n de obtener un mejor ajuste.
Porqu su
ede esto?, ya que al in
luir regresores, la RSS ne
esariamente de
re
e
(o en el mejor de los
asos se mantiene), mientras que la TSS permane
e
onstante.
Por esta razn se
re el
oe
iente de determina
in ajustado, el
ual
orri2
ge el R original por los grados de libertad del numerador y el denominador.
2
2 )
omo:
Enton
es, denimos el R ajustado (R
2 = 1 u u/(n k)
R
Y MY /(n 1)
(2.54)
2 = 1 (1 R2 ) (n 1)
R
(n k)
(2.55)
o equivalentemente:
48
E
onometra
Es
uela de Nego
ios, UAI.
2.8.
Inferen ia
Una vez que hemos estimado nuestra regresin muestral, es ne
esario preguntarse
uan buena aproxima
in es di
ha regresin de la pobla
ional. Para que la aproxima
in sea
er
ana, es
ondi
in ne
esaria que los parmetros in
luidos en la
regresin muestral sea estadsti
amente distintos de
ero (en
aso
ontrario, no
pertene
en a la regresin pobla
ional). As, uno de nuestros objetivos puede ser
el testear la signi
an
ia individual de los parmetros.
Pero lo anterior es slo una de las preguntas que
omo investigadores podemos
estar interesados en responder. Por ejemplo, en la estima
in de la fun
in de
u
produ
in de una rma, que asumimos Cobb Douglas (Y = AK L e o en logaritmo
+ > o 1.
interesante de plantearse. Tambin podra ser interesante des
ubrir si todos los
parmetros a la vez son distintos de
ero, o de algn valor determinado.
La gama de preguntas posibles respe
to del valor de los parmetros es slo a
otada por la pregunta que el investigador desee responder. Nuestro objetivo es,
por lo tanto, desarrollar los mtodos de inferen
ia y
ontraste de hiptesis que
nos permitan responder, en el
ontexto de una regresin muestral parti
ular, las
preguntas anteriores.
Dos notas pre
autorias. En esta se
in nos o
uparemos de restri
iones o hiptesis
Y = X + u
donde X es una matriz de (n
(k
1).
k ),u
e Y son ve tores (n
1)
es ve tor de
1.
49
E
onometra
Es
uela de Nego
ios, UAI.
2.
H0 : i = i0 Plantea
por i0 sobre Y.
3.
H0 : i + j =1
que el regresor
Xi
Xi
Xj
poseen un
4.
H0 : i = j Plantea que
los regresores
Xi
Xj
sobre Y.
5.
H0 : i =0
i=2. . . k
6.
H0 : l =0
mensiones
donde el ve tor
(kl 1)
enton es que un
sub onjunto
en dos (l y
que
p ) on dikl + kp = k . Plantea
ativos.
R = r
q k)
onstantes
ono
idas (
eros o unos),
uyo objetivo ser sele
ionar los parmetros a testear,
uyo nmero de las, q, representa
el nmero de restri
iones. A su vez, r es un ve
tor de dimensin q y
ontiene el
donde
es una matriz de (
real al ual es restringido ada parmetro. Veamos omo sern las matri es
1.
R =[0. . . 010
. . . 0; r=0; q=1
R =[0. . . 010
. . . 0; r=i0 ; q=1
R =[0. . . 010
R =[0. . . 010
6.
R =[0ki kj Iki ;
q=k
r= ; q=ki
50
E
onometra
Es
uela de Nego
ios, UAI.
H0 : R = r
(2.56)
on lo
ual, slo nos resta derivar el test que nos permita re
hazar o no re
hazar
nuestra nula. La
onstru
in del estadgrafo es
omo sigue. Dado que MCO
(bajo los supuestos relevantes) es insesgado, tenemos que
= R ,
E(R)
= , por lo tanto,
E()
orresponde a
= E[R( )( ) R ]
V [R]
= RV ar()R
= 2 R(X X)1 R
Ne
esitamos an un supuesto ms para determinar la distribu
in muestral de
es fun
in de u y u N(0, 2 ), enton
es N(, 2 (X X)1 )
nuestra nula. Dado que
N(r, 2 R(X X)1 R ), enton
es:
y por lo tanto R
N[, 2 (X X)1 ]
(2.57)
(2.58)
y si la nula
R = r
es ierta:
(2.59)
(R r)
2 R(X X)1 R
N[0, 1]
(2.60)
u u
2(nk)
2
(2.61)
(R r) [ 2 R(X X)1 R ]1 (R r) 2q
5 Basta
on re ordar que si
(2.62)
ual
e idempotente es su traza.
6 Basta
on re
order que
x 1 x 2n .
51
E
onometra
Es
uela de Nego
ios, UAI.
luego, ombinando los dos resultados anteriores, se puede demostrar que (ha er-
lo) :
(2.63)
]1 (R r)] F(q,nk)
[(R r) [RVd
ar()R
i = 0 = i0 ),
llegaremos a:
F =
Re
ordando que
t2
( i0 )2
F (1, n k)
Vd
ar(i )
(2.64)
i0
t= q
tnk
d
V ar(i )
t=
(2.65)
test t
i +j =1),
el estadgrafo orresponder a:
t= q
i + j 1
d i , j ) + Vd
Vd
ar(i ) + 2Cov(
ar(j )
tnk
(2.66)
un poquito de lgebra y re
ordar
omo se
onstruye una distribu
in F(q, n-k) a partir
de la divisin de dos 2
on grados de libertad q en el numerador y n-k en el denominador.
52
E
onometra
Es
uela de Nego
ios, UAI.
grandes, sin embargo, la t posee
olas ms gruesas que la normal (lo
ual es ms
pronun
iado en muestras pequeas: n30). La siguiente gura expone la rela
in
entre la distribu
in t y la normal:
Probabilidad
Distribucin Normal
Distribucin t
(normal estndar)
importa mu
ho
ual de ellas es
ojamos para los valores
rti
os (a menos que la
muestra sea espe
ialmente pequea).
Finalmente, nos queda examinar los
riterios de re
hazo del test y los niveles
de
onanza. Como usted re
ordar de sus
lases de estadsti
a, lo anterior depende de
omo espe
iquemos la hiptesis alternativa. A
ontinua
in, pasamos
a revisar este punto.
53
E
onometra
Es
uela de Nego
ios, UAI.
Di
ho valor
rti
o nos dir si nuestra nula es falsa o si no podemos armar que lo
es. La ele
in de di
ho valor
rti
o se toma desde la tabla de distribu
in t y el
H0 : i = io
H1 : i > io
donde
qu en la
ola dere
ha? Porque la probabilidad de re
hazo, es de
ir, el nivel de signi
an
ia, nos indi
a hasta donde puedo tolerar un valor mayor a io , por lo
ual,
are
era de
sentido que la zona de re
hazo se en
uentre en la
ola izquierda de la distribu
in. Por ejemplo,
si io =0, la distribu
in de nuestro estadgrafo se
entra en
ero (vea la frmula), por lo
ual la
hiptesis alternativa
orrespondera a que el parmetro es positivo. el punto es
un positivo
puedo a
eptar que sea?.
54
E
onometra
Es
uela de Nego
ios, UAI.
Probabilidad
Se Rechaza (5%)
No se Rechaza
por lo tanto, re
hazaremos nuestra hiptesis nula de que el
oe
iente es
ero
ontra la hiptesis alternativa que el parmetro es
ulado del test es
mayor
el parmetro es menor a
mayor
que
io ,
si el valor al-
io ,
H1
sea que
la
ola izquierda y se re
haza la nula en el
aso que el valor
al
ulado sea menor
que el valor
rti
o de la tabla t.
H0 : i = io
H1 : i 6= io
En este
aso estamos repartiendo uniformemente la probabilidad de re
hazo en
ambas
olas de la distribu
in
omo lo muestra la siguiente gura (al 95 % de
onanza):
55
E
onometra
Es
uela de Nego
ios, UAI.
Probabilidad
Se Rechaza (2,5%))
Se Rechaza (2,5%)
No se Rechaza
mdulo mayor
que
1.
a la probabilidad de a eptar la
4.
56
E
onometra
Es
uela de Nego
ios, UAI.
tamao del test y por lo tanto, el ETI, es una variable endgena al investigador,
en tanto que l de
ide
on que nivel de
onanza trabajar. Luego, el objetivo se
transforma en, dado un nivel de
onanza, minimizar la o
urren
ia de ETII.
Intuitivamente, si usted es
oge un nivel de signi
an
ia pequeo (1 %, por ejemplo), sus zonas de re
hazo sern pequeas,
on lo
ual, inevitablemente, la zona de
no re
hazo
re
e, lo
ual impli
a que por minimizar el ETI, ha aumentado el ETII.
P-value
Otra forma alternativa al valor
rti
o de tabla para re
hazar o no re
hazar nuestra nula,
orresponde al uso de los llamados p-values, los
uales son reportados
en
ualquier paquete estadsti
o. El p-value (p) se dene
omo:
(2.67)
Ejemplo:
Suponga el siguiente Modelo de Regresin Lineal Simple:
Yi = 1 + 2 Xi + ui
para i = 1, ..., N
10
18
20
1 y 2 es el siguiente:
1
1
4 48
20
2,1935
= =
=
48 824
298
0,2338
2
El estimador MCO de
es:
=
V ()
u2 (X X)1
1
0,436 4 48
0,180866 0,010536
=
=
48 824
0,010536 0,000878
2
57
E
onometra
Es
uela de Nego
ios, UAI.
R
R
P4
u2
RSS
0,436
= 1
= 1 P4 i=1 i
=1
= 0,969
2
T SS
14
i=1 (Yi Y )
P4
RSS/2
u2/2
= 1
= 0,953
= 1 P4 i=1 i
2
T SS/3
i=1 (Yi Y ) /3
Como podemos ver, el grado de ajuste del modelo es bastante bueno,
omo el
2
modelo in
luye
onstante, el R se puede interpretar
omo la propor
in de la
variabilidad de la variable independiente que es expli
ada por la variabilidad de
la variable dependiente, la que en este
aso al
anza un 97 %.
Ahora veamos si estos parmetros estimados son signi
ativos a un 95 % de
onanza, para lo
ual realizaremos un test
1.
Test de signi an ia de
1 :
H0 : 1 = 0
H1 : 1 6= 0
t=
1
V ar(1 )
t2
es:
2,193548387
tc =
= 5,157850523
0,180866
El valor de tabla del estadsti
o
de libertad es 4,303.
Probabilidad
No se
Rechaza
Se
Rechaza
(2,5%))
Se
Rechaza
(2,5%)
t(2)=4,303
t(2)=4,303
tc=5,158
58
E
onometra
Es
uela de Nego
ios, UAI.
1 =0,
y por lo tanto el
2.
Test de signi an ia de
2 :
H0 : 2 = 0
H1 : 2 6= 0
t=
2
V ar(2 )
t2
es:
0,233870968
= 7,892762865
tc =
0,000878
El valor de tabla del estadsti
o
de libertad es 4,303.
Probabilidad
No se
Rechaza
Se
Rechaza
(2,5%))
Se
Rechaza
(2,5%)
t(2)=4,303
t(2)=4,303
tc=7,893
2 =0,
y por lo tanto el
3.
H0 : 1 2 = 2
H1 : 1 2 6= 2
59
E
onometra
Es
uela de Nego
ios, UAI.
onjunto
F =
ESS/(k 1)
F(k1,nk)
RSS/(n k)
F =
(2.68)
R2 :
R2 /(k 1)
F(k1,nk)
(1 R2 )/(n k)
(2.69)
En este
F =
donde
(
uu u u)/k2
F (k2 , n k)
u u/(n k)
(2.70)
k2
representa el
rango de
valores admisibles del oe iente que se estima. Los niveles de onanza generalmente utilizados son 99 %, 95 % y 90 % (al igual que en los test de hiptesis),
60
E
onometra
Es
uela de Nego
ios, UAI.
i0
qi
tnk
V ar(i )
i ,
de signi-
orrespondiente, es de ir:
1 = P r Z/2
i i0
q
Z1/2
V ar(i )
i i0
= P r Z1/2 q
Z1/2
V ar(i )
q
q
= P r i Z1/2 V ar(i ) i0 i + Z1/2 V ar(i )
i0
/2.
Note adems que di
ho intervalo est
onstruido slo en base a
onstantes
ono
idas. Una vez
onstruido, se puede
ontrastar la nula (H0 :
de signi
an
ia
i0
i = i0 )
al nivel
la nula)
E
onometra
Es
uela de Nego
ios, UAI.
u u
2nk
2
(n k)
2
2nk
2
(2.71)
"
(n k)
2
(n k)
2
2
2nk,
2nk,1
, tenemos
= (1 )
2nk,1
(2.72)
2nk,,
ya que
S=
E(u3 )
3
( 2 ) 2
K=
E(u4 )
( 2 )2
62
E
onometra
Es
uela de Nego
ios, UAI.
3)2
S (K
JB = n
+
6
24
2(2)
Donde los estimadores muestrales del oe iente de asimetra y kurtosis se obtienen al onsiderar que un estimador natural de:
r = E[
ur ]
orresponde a:
1X r
mr =
u
n i=1 i
Note que el estadgrafo est denido en trminos del ex
eso de kurtosis, por
lo
ual, a menor sea el valor, menor es la probabilidad de re
hazar la nula de
normalidad. Note adems que el estadsti
o es esen
ialmente no
onstru
tivo, en
trminos de que no nos indi
a que
amino seguir en
aso de re
hazar la nula,
adems de que no re
hazar normalidad no impli
a
onrmar su existen
ia. Sin
embargo, en la pr
ti
a
orresponde al test ms utilizado.
2.9.
Predi in
La predi
in es una de las herramientas ms atra
tivas y utilizadas en E
onometra. Si el modelo que hemos es
ogido
onrma la teora en
onsidera
in, es
de
ir, a sobrevivido a las pruebas de hiptesis, podemos utilizar el modelo estima-
do
y 0 , aso ia-
0
0
0
De a
uerdo
on el modelo e
onomtri
o se tiene que y = 1 +x2 2 +.....+xk k +u0 .
0
Para prede
ir el valor de y podemos utilizar la estima
in MCO del modelo,
0
0b
yb = x .
De esta forma, el error de predi
in estar dado por :
b + u0
e0 = y 0 yb0 = x0 ( )
63
E
onometra
Es
uela de Nego
ios, UAI.
u0
b
b x0 + 2x0 ( )u
b 0 + u0 u0 ]
V ar(b
e0 ) = E[x0 ( )(
)
V ar(b
e0 ) = 2 + 2 x0 (X X)1 x0
nk
Sabemos que
a mayor dispersion de las variables expli
ativas menor varianza tendrn nuestras
11
0
estima
iones MCO . Adems depender del ve
tor x que hemos asumido
o2
no
ido y del parmetro , el
ual no
ono
emos y deber ser reemplazado por
su estimador
b2 si es que queremos
onstruir un intervalo de
onanza para la
predi
in y
b0 .
Bajo supuestos de normalidad del trmino de error, el error de predi
in es
una
ombina
in lineal de dos variables normales por lo tanto tiene una distribu
in Normal(0, b
e2). Por lo tanto, por una razonamiento anlogo al de las se
iones
anteriores se tiene que:
y 0 yb0
2 (1 + x0 (X X)1 x0 )
N(0, 1)
y 0 yb0
q
tnk
b2 (1 + x0 (X X)1 x0 )
yb0
P r[b
y 0 t1/2,nk
11 Es
V ar(b
e0 ) y 0 yb0 + t1/2,T k
V ar(b
e0 )] = 1
posible y se re
omienda derivar una expresin para la varianza del error de predi
in
utilizando un modelo
on 2 regresores. En est expresin se apre
ia
laramente la dependen
ia
de la varianza del error de predi
in
on la dispersion en torno a la media de las variables
expli
ativas.
64
E
onometra
Es
uela de Nego
ios, UAI.
Cal
ulando enton
es la varianza (Ha
erlo!) de este nuevo error de predi
in
0
podemos
onstruir ahora un intervalo de
onanza para E(y ) de la misma forma
que antes.
E[y 0 ] yb0
q
N(0, 1)
2
0
1
0
(x (X X) x )
P r[b
y 0 t1/2,nk
Donde utilizamos
E[y 0 ] yb0
q
tnk
2
0
1
0
b (x (X X) x )
V ar(e
e0 ) E[y 0 ] yb0 + t1/2,T k
V ar(e
e0 )] = 1
b = x0 V ar()x
b 0 = 2 x0 (X X)1 x0 .
V ar(yb0) = V ar(x0 )
65
y0
E[y 0 /x0 ]
en un modelo
E
onometra
Es
uela de Nego
ios, UAI.
RMSE =
rP
ybi )2
n0
i (yi
66
E
onometra
Es
uela de Nego
ios, UAI.
MAE =
Donde
| yi ybi |
n0
n0 es el nmero de perodos que hay que prede ir. Estos mtodos presentan
U=
P
(1/n0 ) i (yi ybi )2
P
(1/n0 ) i yi2
67
E
onometra
Es
uela de Nego
ios, UAI.
2.10.
maximi en la proba-
y 2 , . . ., y n
un ve tor
n1
k 1 '
f (y; )
= [1 ,
2 , . . ., k .
Sea
fun in de Verosimilitud
L():
y se denota por
L(; y)
f (y; )
Note que hemos invertido la nota in entre L y la densidad. Ello porque la densidad des ribe los valores probables de
Y dado
un ve tor
determinado, sin
dado
un ve tor Y determinado.
Al maximizar
L(; Y )
smiles
los uales
M V ),
(
observada, es
respe to de
de ir:
M V = max L(; Y )
(2.73)
(2.74)
12
o equivalentemente
l(; Y ) = ln(
n
Y
Li (; yi )) =
i=1
12 En
n
X
li (; yi )
13 :
(2.75)
i=1
68
E
onometra
Es
uela de Nego
ios, UAI.
M V
S ore, s = (; Y ), por
1.
asintti as
Consisten
ia:
plim(M V ) =
(2.76)
3.
Normalidad Asintti
a:
M V a N(, I()1 )
(2.77)
2
l l
l
I() = E
= E
k k.
Invarianza: Si es el estimador ML de
de
enton es
g()
es el estimador ML de
69
g()
g().
y
E
onometra
Es
uela de Nego
ios, UAI.
2.10.2. Estima
in MV
Como ya es usual, sea el siguiente modelo pobla
ional:
Y = X + u
donde las matri
es poseen los tamaos usuales y
iid
u N(0, 2 I).
Enton es:
n
Y
f (ui )
i=1
y asumiendo una distribu
in normal para los errores, tenemos que la fun
in de
verosimilitud
orresponde a:
f (u1, u2 , . . . , un ; I) =
n
Y
i=1
1
2 2
exp
u2
i
2 2
1
u u2
2
exp
n
(2 2 ) 2
(2.78)
(2.79)
L = f (y1, y2 , . . . , yn ; X, 2 , ) =
on lo
ual, nuestros estimadores
(Y X) (Y X)
1
2 2
n exp
(2 2 ) 2
M V = [M V
M
V]
(2.80)
se obtienen siguiendo la
(Y X) (Y X)
1
2
2
ma2x ln(L) = ma2x ln
n exp
,
,
(2 2 ) 2
n
n
(Y X) (Y X)
2
= ma2x ln(2) ln( )
(2.81)
,
2
2
2 2
on lo
ual, las CPO:
lnL
1
=0
= 2 X (Y X )
= M V = (X X)1 X Y
(2.82)
lnL
n
1
(Y X )
=0
= 2 + 4 (Y X )
(Y X M V ) (Y X M V )
= 2 M V =
n
70
(2.83)
E
onometra
Es
uela de Nego
ios, UAI.
M V
es equivalente al es-
timador MCO. Sin embargo, note que el estimador de la varianza de los errores
(
M V
Nos queda enton
es derivar la varianza de los estimadores MV. Vimos que la
matriz de varianzas
orresponda al inverso de la matriz de informa
in (I( )).
Por fa
ilidad de
l
ulo, generalmente se utiliza la segunda deni
in de
I(),
es
2l
X X
=
2l
X X
=
E
2
(2.84)
2l
X u
=
2
4
2l
=0
E
2
(2.85)
2l
n
u u
= 4 6
( 2 )2
2
n
2l
= 4
E
2
2
( )
2
(2.86)
E(u u) = n 2 .
Enton es, la
I(, ) =
XX
2
0
n
24
(2.87)
I(, )
1 2
(X X)
=
0
0
24
n
(2.88)
E
onometra
Es
uela de Nego
ios, UAI.
2.11.
Inferen ia en el ontexto MV
L(,
2 ),
orresponde al valor de la verosi-
irrestri ta, es de ir, sin imponer ninguna restri in sobre los parmetros
del modelo. Suponiendo enton es que nuestro inters se entra en una serie de restri iones lineales del tipo
restringida
El valor de la verosimilitud restringida no puede ser superior al de la no restringida, sin embargo, podra esperarse que si las restri
iones impuestas son
orre
tas,
el valor de la primera est
er
a del de la segunda. Enton
es, denimos la
de verosimilitud () omo:
razn
2 )
L(,
L(,
2)
2 )] a 2 (q)
LR = 2 ln = 2[ln L(,
2 ) ln L(,
(2.89)
es posible demostrar:
2 ) = (2e) n2 (2 ) n2 =
L(,
Luego, si denimos
omo
uN R
2e
n
n2
(
u u) 2
(2.90)
uR ,
LR = n(ln uR uR ln uN R uN R )
72
(2.91)
E
onometra
Es
uela de Nego
ios, UAI.
un ve tor
la hiptesis nula.
(R r) er ano
a
(, I()1)
(2.92)
(R r) (0, RI()1 R )
(2.93)
a
(R r) [RI()1 R ]1 (R r) 2q
(2.94)
14 :
W =
(R r) [R(X X)1 R ]1 (R r) a 2
q
(2.95)
Una nota: Dijimos que el test era vlido asintti
amente, donde hemos utilizado
el resultado de normalidad asintti
a de MV. En
aso de que los errores efe
tivamente distribuyan normal en muestra nita, el test (lgi
amente) mantiene su
distribu
in.
E
onometra
Es
uela de Nego
ios, UAI.
de la fun in de Verosimilitud:
ln L
l
=
s() =
ve
tor diferente de
ero, sin embargo, si la nula no se puede re
hazar, esperaramos obtener un ve
tor
er
ano a
ero.
Se puede demostrar que el s
ore posee media
ero y varianza igual a la matriz de
informa
in (I()). Por lo tanto, tenemos que la forma
uadrti
a:
s ()I()1 s() 2
on lo
ual, al evaluar en el ve
tor de parmetros restringido tenemos que bajo
la nula, el test LM se dene y distribuye
omo:
)
1 s()
a 2
LM = s ()I(
q
(2.96)
s() =
l
2
1
X u
2
u u
n
22 + 2
4
enton
es, para evaluar el s
ore en la estima
in restringida, utilizamos los residuos
restringidos, los
uales denotaremos por:
u = Y X
y por lo tanto:
2 =
u u
n
on lo ual:
=
s()
1
X u
74
(2.97)
E
onometra
Es
uela de Nego
ios, UAI.
I()1
LM =
=
=
=
donde el
R2
2 (X X)1
0
0
1
u X(X X) X u
2
u X(X X)1 X u
n
u u
nR2 a 2q
1
uX
0
2
4
n
1
uX
(2.98)
(2.99)
y X.
Resumiendo, el test se implementa en tres simples pasos:
R2
3. Construir el estadsti o
2.12.
1. La se
in 2.10.2 asume que la distribu
in de los errores sigue una distribu
in normal. Sin embargo, suponer errores normales es slo uno de los
posibles supuestos respe
to a la distribu
in de los errores. Existe una gran
antidad de posibilidades al respe
to, utilizndose otras
omo la distribu
in
logsti
a y la exponen
ial, muy regularmente en otros tpi
os e
onomtri
os.
Lo anterior es una ventaja de la estima
in MV, dado que sus propiedades
asintti
as se mantienen independientemente de la distribu
in utilizada.
2. Otra ventaja
orresponde a la posibilidad de utilizar modelos no lineales.
MCO (tal y
omo lo hemos estudiado) slo permite estimar modelos lineales en parmetros, mientras que MV permite no linealidades (aunque ello
implique la imposibilidad de obtener de obtener formas fun
ionales
erradas
para nuestros estimadores, lo
ual impli
a ne
esariamente utilizar mtodos
numri
os para optimizar la fun
in objetivo).
75
E
onometra
Es
uela de Nego
ios, UAI.
3. Otra ventaja reside en la inferen
ia. Toda la inferen
ia vista en MCO posea
distribu
in exa
ta bajo el supuesto de normalidad. Los test asintti
os
visto en la inferen
ia MV son vlidos bajo
ualquier distribu
in supuesta
(aunque asintti
amente).
4. Adi
ionalmente, los tres test vistos son
apa
es de lidiar
on restri
iones no
15
W LR LM
lineal. Los tres son asintti
amente equivalentes, sin embargo, en muestras
nitas arrojarn resultados diferentes.
6. Cundo es re
omendable utilizar un test t o un test F por sobre un test
asintti
o?
7. Todos los paquetes estadsti
os reportan el valor de la fun
in de verosimilitud (es de
ir, la fun
in evaluada en los parmetros estimados). Ello,
mu
has ve
es es utilizado
omo un
riterio de sele
in entre modelos (re
uerde que nuestro objetivo es maximizar la fun
in de verosimilitud).
15 Un
Captulo 3
Forma Fun
ional y Espe
i
a
in
3.1.
En el desarrollo del modelo de regresin lineal realizado en la se
in 2.4 asumimos que nuestras variables expli
ativas eran determinsti
as (Supuesto 2). En
ese
ontexto,
ada vez que tombamos una muestra diferente los regresores permane
an jos y solo la variable dependiente
ambiaba, ha
iendo enton
es que
la regresin muestral fuera una aproxima
in a la regresin pobla
ional. En est
se
uen
ias de asumir regresores esto
sti
os en las estima
iones del modelo de
regresin lineal. Es de
ir, asumiremos ahora que X es obtenida aleatoriamente a
partir de alguna distribu
in de probabilidad.
Si X es esto
sti
o, X debe ser independiente de u si queremos mantener las
propiedades estadsti
as de los estimadores MCO. Un mtodo ade
uado para obtener las propiedades estadsti
as de
b onsiste
ondi
ionados en X. Esto equivale al
aso de los regresores no esto
sti
os. Despus bus
amos los resultados in
ondi
ionales "promediando"(por ejemplo, por
integra
in total) las distribu
iones
ondi
ionadas. La
lave de este razonamiento es que, si podemos estable
er insesgamiento
ondi
ionado en un X arbitrario,
podemos promediar las X para obtener un resultado in
ondi
ionado.
Manteniendo los supuestos 3 y 4 dados por
1 Todos
E
onometra
Es
uela de Nego
ios, UAI
b = + (X X)1 X u
b
E[|X]
= + (X X)1 X E[u|X] =
E[u|X] = 0.
in ondi ional apli ando esperanza sobre todo el espa io posible de los regresores.
b = Ex [E[|X]]
b
E[]
Por lo tanto,
b = Ex [E[|X]]
b
b tambin es insesgado in
ondi
ionalmente.E[]
= .
pendientes tenemos
b
V [|X]
= 2 (X X)1
b esta
dada por
b = Ex [V [|X]]
b
b
V []
+ Vx [E[|X]]
b = Ex [V [|X]]
b
V []
+ Vx []
b = Ex [V [|X]]
b
V []
= E[ 2 (X X)1 ] = 2 E[(X X)1 ]
(X X)1
por
medio de X. Sin embargo, el teorema de Gauss Markov seguir apli
ando. Ya que
si para
ada X parti
ular el estimador MCO es el mejor estimador lineal insesgado
tambin lo ser para los valores medios de los regresores.
2 Apli ando
E
onometra
Es
uela de Nego
ios, UAI
Con lusiones:
3.2.
In orpora in de No Linealidades
Claramente la rela
in es no lineal. No es lo mismo en trminos de ventas aumentar desde 40 visitas a 50 que de 10 visitas a 20. Pero, Cmo podemos in
orporar
no linealidad entre Y y X en nuestro modelo de regresin?. Bsi
amente lo que
haremos es utilizar algunos tipos de transforma
in de variables. Esto nos permitir tener un modelo no lineal y a partir de la apli
a
in de las transforma
iones
tener un modelo de regresin lineal para el que se
umplen todas las
osas que
hemos visto.
79
E
onometra
Es
uela de Nego
ios, UAI
Transforma in Logartmi a
Suponga un
Si
guiente forma
2 =
Transforma in Semilogartmi a
Suponga un
Si
guiente forma
2 =
Transforma in Re pro a
modelo original
Suponga un
no lineal de la siguiente forma
2 X1i + ui . El
ual podemos expresar
omo un
la siguiente forma
Yi = 1 +
modelo transformado de
Yi = 1 + 2 Zi + ui
En donde
2 =
Y
orresponde al parmetro usual.
X
Si no se
ono
e a priori la forma fun
ional, existen algunos mtodos que podran
identi
ar la existen
ia de alguna no linealidad. A
ontinua
in veremos uno de
ellos.
E
onometra
Es
uela de Nego
ios, UAI
Y = X + u
luego, denotamos,
omo ya es usual,
Y = X .
Y = X 1 + Z 2 + u
donde:
Z =
luego la nula:
H0 :
Y 2 Y 3 . . . Y m
H0 : 2 =0
puede ser testeada utilizando un test de Wald sobre 2 . Es posible demostrar que
a 2
bajo la nula W m1 . Por lo tanto, la nula se re
haza al % de signi
an
ia si
que al derivar la fun
in objetivo
on respe
to a los parmetros de inters, podemos no obtener
una forma fun
ional
errada para nuestro estimador. Ello nos llevar generalmente a utilizar
mtodos numri
os para maximizar o minimizar nuestra fun
in objetivo, la
ual, in
luso puede
dejar de ser estri
tamente
n
ava.
81
E
onometra
Es
uela de Nego
ios, UAI
3.3.
binarios, es de ir, variables que slo toman el vavariables dummies, variables di otmi as
variables ti ias.
(
1
d1i =
0
(n 1)
mujer
hombre
on
(3.1)
Wi = 0 + 1 d1i + ui
(3.2)
0 = E(W/hombre)
0 + 1 = E(W/mujer)
Alternativamente, podramos haber denido la dummy de la siguiente forma:
(
0
d2i =
1
mujer
hombre
82
(3.3)
E
onometra
Es
uela de Nego
ios, UAI
y el modelo omo
Wi = 0 + 1 d2i + ui
enton
es, en esta segunda espe
i
a
in es
ogida para la dummy, tenemos que:
0 + 1 = E(W/hombre)
0 = E(W/mujer)
Una ter
era forma de denir el modelo sera in
luyendo ambas dummies:
Wi = 1 d1i + 2 d2i + ui
on el
ual tendramos que los retornos a ambos gneros seran:
2 = E(W/hombre)
1 = E(W/mujer)
Los tres modelos anteriores son equivalentes. Note que en el ter
er modelo
no in
luimos trmino
onstante ya que ello hara que la matriz X fuese singular y
por lo tanto, no invertible. Di
ho error de espe
i
a
in es llamado en la literatura
no de los datos.
Un modelo de regresin puede
ontener variables expli
ativas que son ex
lusi-
Modelos de
anlisis de varianza (ANOVA), estos modelos son utilizados para determinar
vamente di
otmi
as o
ualitativas, tales modelos se denominas
Ejemplo I:
Contamos
on datos de ingreso proveniente de la o
upa
in prin
ipal para el ao
2000, de a
uerdo a zona geogr
a de Chile: Norte (de la primera a la
uarta
regin), Centro (quinta regin, sexta regin y regin metropolitana) y Sur (de
la sptima a la duod
ima regin). Suponga que deseamos averiguar si el salario
promedio diere entre las distintas zonas geogr
as, si tomamos el promedio de
los salarios de los individuos en
ada una de las zonas obtenemos lo siguiente:
$ 270,154
Centro
$ 296,857.8
Sur
$240,238.9
83
E
onometra
Es
uela de Nego
ios, UAI
Estos nmeros son
laramente diferentes entre s, pero lo que nos interesa saber
es si esta diferen
ia es estadsti
amente signi
ativa, para esto utilizaremos un
modelo ANOVA.
Consideremos el siguiente modelo de regresin:
Yi = 0 + 1 D1i + 2 D2i + ui
donde:
ero sino.
D2i =
ero sino.
Este modelo es
omo
ualquier otro modelo de regresin lineal, la ni
a diferen
ia que ahora todo nuestras variables expli
ativas son binarias. De esta forma,
el salario promedio de los individuos que viven en el norte es:
("pendiente"),
indi
an la
antidad en que los salarios promedios del norte y sur dieren de los
del
entro, respe
tivamente. Ahora ne
esitamos ver si estas diferen
ias son estadsti
amente signi
ativas.
El modelo estimado es:
84
E
onometra
Es
uela de Nego
ios, UAI
Como los tres
oe
ientes estimados resultan ser estadsti
amente signi
ativos,
la diferen
ia en los salarios promedios entre regiones es estadsti
amente signi
ativa. De esta forma, se puede
on
luir que los salarios en la zona
entro son
estadsti
amente mayores a los de la zona norte y sur, y que los de la zona norte
son estadsti
amente superior a los de la zona sur.
Es importante tener
laro que las variables di
otmi
as simplemente sealaran
las diferen
ias, si es que estas existen, pero no sugieren razones por las
uales
estas se presentan.
Desde ahora llamaremos a la
ategora que no se le asigna dummy (en nuestro ejemplo la zona
entro)
omo
ategora base,
harn respe
to a esta
ategora. Los
oe
ientes
orrespondientes a las variables
di
otmi
as los llamaremos
Los modelos ANOVA que a
abamos de analizar no son muy fre
uentes en e
onoma, slo se utilizan para testear diferen
ias de medias.
Los modelos e
onomtri
os generalmente son ms amplios e introdu
en tanto
variables expli
ativas
ontinuas
omo di
otmi
as. Por ejemplo, es razonable suponer que, adems del gnero, existen otros fa
tores que expli
an el salario (edu
a
in y experien
ia (entre otros) siguiendo a Min
er (1974)).
Espe
iquemos nuevamente el modelo en (3.2)
omo E(Salario (W)/Edu
a
in
(E), Gnero):
Wi = 0 + 1 d2i + 2 Ei + ui
Di
ho modelo presenta un
Hombres
W
2
0+ 1
Mujeres
0
E
Salario y Educacin, diferencia de intercepto entre hombres
y mujeres
85
E
onometra
Es
uela de Nego
ios, UAI
Wi = 0 + 1 d2i + 2 Ei + 3 d2i Ei + ui
donde:
E(Salario (W)/Edu
a
in (E), Hombre)=0 +
E(Salario (W)/Edu
a
in (E),
E(Salario(W )/Educacin(E),Hombre)
E
E(Salario(W )/Educacin(E),M ujer)
E
1 +2 E +3 E .
Mujer)=0 +2 E .
= 2 + 3 .
= 2 .
En el
aso que existan otros regresores
ontinuos (experien
ia, por ejemplo), podra ser deseable poseer efe
tos diferen
iados en la pendiente slo para algunos
de ellos.
Hombres
W
2+3
0+ 1
Mujeres
0
E
Salario y Educacin, diferencia de intercepto y pendiente
entre hombres y mujeres
86
E
onometra
Es
uela de Nego
ios, UAI
variable ualitativas.
los datos. Por ejemplo, estimando la demanda de helados, es posible que exista
un .efe
to verano"por lo
ual la demanda aumente en algunos trimestres o bimestres, de esta forma para
ontrolar di
ho efe
to, se deben in
luir 4 dummies
ada
una
orrespondiente a un trimestre del ao (o 6 en el
aso del bimestre, o 2 en
el
aso del semestre, et
.). Re
uerde que el
aso de in
luir una
onstante debe
retirar dis
re
ionalmente alguna de ellas, la
ual servir
omo trimestre de referen
ia. Las dummies tambin pueden ser tiles para
aptar
habamos enun
iado stas
uando vimos E(W/E,gnero), en que permitimos que
la pendiente vare entre gneros. Di
has dummies son de inters
uando queremos
aptar algn efe
to
ondi
ional a alguna
ara
tersti
a. Por ejemplo, el retorno a
la edu
a
in dado que se es mujer, o que se es
asado, o que se es blan
o, et
.
En di
ho
aso, basta introdu
ir la dummy que identi
a el estado
ondi
ional
multipli
ada por la variable de inters.
Con
luyendo, la forma en que se in
luyan las variables binarias en el modelo
de regresin depende de la pregunta que el investigador desee responder o del
objetivo que tenga para in
luirlas. Creatividad y teora.
Desde el punto de vista de la teora de regresin,
di
orresponde a un varia-
ble aleatoria del mismo pro
eso de muestro que gener el resto de las variables.
Veamos enton
es
omo manejarlas algebrai
amente. Sea el modelo simple:
Wi = 1 d1i + 2 d2i + ui
o en nuestra nota
in matri
ial usual:
Y = X + u
87
E
onometra
Es
uela de Nego
ios, UAI
donde
= (1 2 )
X = [D1 D2 ],
enton es:
= (X X)1 X Y
1
D1 D1 D1 D2
D1 Y
=
D2 D1 D2 D2
D2 Y
Pn 2
1 Pn
Pn
d1i
d1i d2i
d1i yi
i=1
i=1
i=1
P
P
P
=
n
n
n
2
i=1 d1i d2i
i=1 d2i
i=1 d2i yi
1 Pn
n1 0
Pni=1 d1i yi
=
0 n2
i=1 d2i yi
y1
=
y2
n1 y n2 son el nmero de observa
iones
on d1i =1 y d2i =1, respe
tivamente,
y y1 y y2
orresponden a las medias muestrales entre las respe
tivas observa
iones.
donde
V () = (X X)1
2
" 2
#
0
n1
=
2
0 n 2
donde:
2 =
1X 2
u
n i=1 i
88
E
onometra
Es
uela de Nego
ios, UAI
Ejemplo II:
ln(Salario)i = + 1 Educacioni + ui
Note que el retorno a la edu
a
in sigue siendo positivo, mientras que la dummy
para mujer es negativa (Qu signi
a que el parmetro sea negativo?). Veamos a
ontinua
in, la misma espe
i
a
in, slo que esta vez la dummy se dene
omo
1 si el individuo es hombre:
89
E
onometra
Es
uela de Nego
ios, UAI
90
E
onometra
Es
uela de Nego
ios, UAI
3.4.
t = 0 + 1 t1 + 2 mt + ut
Supongamos el modelo ms simple posible:
yt = 1 yt1 + ut
con |1 | < 1
(3.4)
= (X X)1 X Y ,
donde X=[i,Yt1 ,
on la diferen
ia que esta vez poseemos n-1 datos, a menos que supongamos un
valor ini
ial para
Y0 .
los
uales vimos las propiedades del estimador MCO y la inferen
ia aso
iada,
aunque
ontinuemos ha
iendo los supuestos pertinentes para el trmino de error,
1 =
PT
Pt=2
T
=
=
en (3.4) es:
yt yt1
t=2
PT
yt12
"P
T
ut yt1
Pt=2
T
t=2 yt12
91
=0
(3.5)
E
onometra
Es
uela de Nego
ios, UAI
ys
ut
y1 = 1 y0 + u1
y2 = 1 y1 + u2 y2 = 1 (1 y0 + u1 ) + u2 = 12 y0 + (u2 + 1 u1 )
y3 = 1 y2 + u3 y3 = 1 (12 y0 + u2 + 1 u1 ) + u3 = 13 y0 + 12 u1 + 1 u2 + u3
.
..
yt
por
ut , ut1 , ut2 ,
que:
E(yt ut ) = 2
E(yt ut1 ) = 1 2
E(yt ut2 ) = 12 2
Por lo tanto, el valor a
tual de
pasado (no on los futuros). De la misma forma, rezagando la expresin nal para
yt ,
ut , ut1 , ut2 ,
yt1
no
se en
uentra
orrela
ionado
on el valor a
tual del error, pero si
on sus valores
pasados. Ello impli
a que nuestro supuesto
E(ui Xi ) = 0
ya no es vlido, por lo
ya no sern insesgados,
92
E
onometra
Es
uela de Nego
ios, UAI
3.4.1. Ejemplo y adverten
ias sobre el uso de variable dependiente rezagada
omo regresor
Tenemos la siguiente informa
in sobre ndi
e de Pre
ios al Consumidor (IPC)
t =
IP Ct IP Ct1
IP Ct1
IP Ct = 0 + 1 IP Ct1 + ut
4 Informa in
E
onometra
Es
uela de Nego
ios, UAI
di
e que la serie tiene raiz unitaria . Sin embargo, este no es el
aso. Si teori
amente siempre se espera que la ina
in sea pequea pero positiva, deberiamos
esperar que el ndi
e de pre
ios siempre fuera
re
iendo, y por lo tanto esta serie
ms que tener una raiz unitaria tiene una tenden
ia.
t = 0 + 1 t1 + ut
El oe iente
5 Cuando
una serie tiene raiz unitaria, esta no es esta
ionaria, lo que signi
a que no u
ta
en torno a su valor promedio. El test t de signi
an
ia del parmetro que a
ompaa a la variable
dependiente, no sirve para evaluar la hiptesis de raiz unitaria. Comente error tipo I
94
E
onometra
Es
uela de Nego
ios, UAI
3.5.
Sele in de Modelos
Una pregunta
ru
ial que se enfrenta en e
onometra apli
ada es
omo es
oger
entre diversas espe
i
a
iones planteadas para responder una misma pregunta.
No existe un respuesta ni
a al problema anterior, sin embargo, algunas re
omenda
iones son:
Sin embargo, el
aso de tener que elegir entre modelos anidados, es posible utilizar
los llamados
Y = 0 + 1 x1 + 2 x2 + 3 x3 + u (1)
Y = 0 + 1 x1 + 3 x3 + v
Y = 0 + (x1 + x2 ) +
(2)
(3)
mientras que el
2 ln L k
+
n
n
ln(n)
2 ln L
+k
n
n
menor riterio de informa in. Note que para que los riterios sean
95
E
onometra
Es
uela de Nego
ios, UAI
Modelo I :
Modelo II :
Modelo III :
donde
Wi
Wi = 0 + 1 d2i + 2 Ei + 3 Ei d2i + ui
Wi = 0 + 1 d2i + 2 Ei + ui
Wi = 0 + 2 Ei + ui
Ei d2i
d2i
Ei
eran los
Adems tenemos que el Modelo II anida al modelo III, y el modelo I anida a los
modelos II y III. De esta forma, podemos utilizar los
riterios de informa
in de
Akaike y S
hwarz para determinar
on que espe
i
a
in nos quedamos.
96
E
onometra
Es
uela de Nego
ios, UAI
97
E
onometra
Es
uela de Nego
ios, UAI
En resumen:
Modelo
Akaike
S hwarz
2.278
-680692.847
II
2.279
-680676.053
II
2.338
-676154.845
Como debemos elegir el modelo que minimize el riterio de informa in, de a uerdo a ambos riterios debemos elegir el Modelo I.
98
E
onometra
Es
uela de Nego
ios, UAI
3.6.
3.7.
Y = X1 1 + X2 2 + u
Suponga ahora que el investigador se equivo
a y estima el siguiente modelo:
Y = X1 1 + u
Estimando el modelo in
orre
to obtenemos:
1 = (X1 X1 )1 X1 Y
= 1 + (X1 X1 )1 X1 X2 2 + (X1 X1 )1 X1 u
por lo
ual:
E(1 ) = 1 + (X1 X1 )1 X1 X2 2
= 1 + Z2
Ello impli
a que por lo general, la omisin de variables relevantes (que pertene
en
al modelo pobla
ional),
ausar que los parmetros estimados sea sesgados. Ello
no su
eder, slo en el
aso que Z=0 (es de
ir que
2 =0
X1
X2
sea ortogonales) o si
(aunque di ho aso es ontradi torio, dado que impli ara que la variable
E(1 ) = 1 +
Cov(X1 , X2 )
2
V (X1 )
99
E
onometra
Es
uela de Nego
ios, UAI
V (1 /X1 ) = 2 (X1 X1 )1
mientras que si hubiramos estimado el modelo
orre
to, se puede demostrar que
)
orrespondera a:
la varianza del estimador insesgado de 1 (
1
V (1 /X1 , X2 ) = 2 (X1 M2 X1 )1
M2 = I X2 (X2 X2 )1 X2 .
donde
tri
es:
3.7.3. Ejemplo
Suponga que un investigador quiere estimar el retorno a la edu
a
in y que el
modelo verdadero(obviamente es un
aso ilustrativo) est dado por:
Wi = 1 Ei + 2 EXPi + ui
Donde
Wi
(1)
6 y
ui
Ei
orresponde a
Sin embargo este investigador utiliza el siguiente modelo para su estima in.
Wi = 1 Ei + ui
(1)
100
E
onometra
Es
uela de Nego
ios, UAI
3.8.
Y = X1 1 + u
Suponga ahora que el investigador se equivo
a y estima el siguiente modelo:
Y = X1 1 + X2 2 + u
101
E
onometra
Es
uela de Nego
ios, UAI
1 = (X1 M2 X1 )1 X1 M2 Y
= 1 + (X1 M2 X1 )1 X1 M2 u
donde
M2
E(1 ) = 1
y
on el mismo razonamiento, se puede demostrar que:
E(
) = E
= 2
u u
T k1 k2
1 = 1 + (X1 M2 X1 )1 X1 M2 u
on lo
ual, la varianza estimada:
V (1 /X1 , X2 ) = 2 (X1 M2 X1 )1
mientras que la varianza verdadera:
V (1 /X1 ) = 2 (X1 X1 )1
enton
es,
omo probamos
on anterioridad, la varianza verdadera es menor que
la varianza estimada. Ello impli
a que el in
luir regresores adi
ionales, aumenta
la varianza de nuestros parmetros estimados, lo
ual se tradu
e en parmetros
menos e
ientes.
102
E
onometra
Es
uela de Nego
ios, UAI
3.8.3. Ejemplo
Suponga que un investigador quiere estimar el retorno a la edu
a
in y que el
modelo verdadero(obviamente es un
aso ilustrativo) est dado por:
Wi = 1 + 2 Ei + ui
Donde
Wi
(1)
ui
Ei
orresponde a
omportado.
Sin embargo este investigador utiliza el siguiente modelo para su estima
in.
Wi = 1 + 2 Ei + 3 Di + ui
Donde
Di
(1)
103
E
onometra
Es
uela de Nego
ios, UAI
Podemos ver no existe una varia
in importante en los parmetros del modelo
estimado y el modelo verdadero. Sin embargo, tal
omo habamos demostrado, la
varianza de los parmetros aumenta disminuyendo enton
es la e
ien
ia.
104
E
onometra
Es
uela de Nego
ios, UAI
3.9.
ui
Xi :
V ar(ui ) = V ar(uj ) para i 6= j
Figura 8: Homocedasticidad
Figura 9: Heterocedasticidad
Adems se supona que los trminos de error no estaban
orrela
ionados entre si
(Supuesto 5):
Cov(ui uj ) = 0 para i 6= j
105
E
onometra
Es
uela de Nego
ios, UAI
E[uu ]= 2 In ,
2
los supuestos del modelo de regresin lineal tenemos que E[uu ]= . Donde
= (X X)1 X Y
= + (X X)1 X u
Como el supuesto de que
por lo tanto,
E[u|X] = 0
E[ ]=0.
E[|X]
=
= E (X X)1 X uuX(X X)1
= 2 (X X)1 (X X)(X X)1
= E
V ar()
106
E
onometra
Es
uela de Nego
ios, UAI
ta de la siguiente manera:
= CC
y los valores propios (j )
1/2
de se en
uentran en la diagonal de . Enton
es sea
, la matriz diagonal
p
1/2
on el j-simo elemento igual a
j y sea T = C . De esta forma, = T T .
1/2
1
Adems sea P = C
y por lo tanto,
= P P . 8
donde las
olumnas de
Y = X + u
por
obtenemos:
P Y = P X + P u o
Y = X + u
(3.6)
V ar(u ) = E[u u ]
= 2 P P
= 2 In
(3.7)
Por lo tanto, el modelo transformado
umple
on los supuestos del modelo
lsi
o
de regresin, y se puede utilizar MCO para estimar el parmetro
M CG = (X X )1 X Y
= (X P P X)1X P P Y
= (X 1 X)1 X 1 Y
Como el estimador MCG de
M CG
es MELI.
H0 : Q = c,
se tiene el
1
C =C .
8 Esto
107
E
onometra
Es
uela de Nego
ios, UAI
siguiente estadsti o F:
donde
Q M CG c
1
[Q
eM
CG (X X ) Q]
Q M CG c
Fq,nk
1
c
[Q
(X
X
)
Q]
Q
c
M
CG
M
CG
Fq,nk
2
q
eM
CG
eM
CG
esfri as:
es el estimador insesgado de
eM
CG =
u u
nk
Y X M CG 1 Y X M CG
nk
es
de esta matriz.
Enton
es lo que debemos ha
er es sustituir
to se denomina estimador
estimador de
.
= ()
108
Es-
(MCF), donde el
1
1
1 y
M CF = X X
X
en ontrar
E
onometra
Es
uela de Nego
ios, UAI
12
.
..
..
.
..
n2
2
=
.
..
..
.
..
salario
2000000
3000000
4000000
E[uu] = 2 =
1000000
Recta de regesin
poblacional (RRP)
x
8
x
10
14
12
16
18
Escolaridad
Figura 2: Distribucin de los salarios para distintos niveles de educacin.
La hetero edasti idad es un problema bastante re urrente, espe ialmente al trabajar on datos de orte transversal. Algunas razones por las que
ui
puede variar
109
E
onometra
Es
uela de Nego
ios, UAI
Al omitir variables relevantes, a parte del sesgo que se produ
e en las estima
iones por esto, se produ
e Hetero
edasti
idad ya que este variable estar
en el trmino de error y por lo tanto la varianza depender de ella.
Otra fuente de Hetero
edasti
idad es la asimetra en la distribu
in de una
o ms variables expli
ativas in
luidas en el modelo, por ejemplo: ingreso,
riqueza y edu
a
in.
110
E
onometra
Es
uela de Nego
ios, UAI
Como men
ionamos anteriormente en presen
ia de Hetero
edasti
idad el estimador MCO seguir siendo insesgado, pero no tendr varianza mnima. El estimador que si
umple
on la propiedad de MELI es el de MCG. Este ltimo
estimador requiere
ono
imiento de la matriz
V ar(|X)
= (X X)1 (X 2 X)(X X)1
que no requiere una representa
in espe
i
a de la forma fun
ional que adopta la
hetero
edasti
idad, por lo que no tendremos riesgo de asumir una forma fun
ional
in
orre
ta.
La sugeren
ia de White es que la varianza del estimador
M CO
se exprese de
la siguiente forma:
V ar(|X)
= n(X X)1
1 2
X X (X X)1
n
se dene:
= n1 2 X X
n
X
1
= n
i2 xi xi
i=1
= n1
n
X
ui 2 xi xi
i=1
= n1
n
X
i=1
ui 2 xi xi
X)1
V ar(|X)
= n(X X)1 (X
su
ompara
in
on
(3.8)
E
onometra
Es
uela de Nego
ios, UAI
El ontraste de White:
Vd
ar(|X)
=
e2 (X X)1 , pero bajo la hiptesis alternativa es (3.8). Basaigual que en todos los
ontrastes que estudiaremos). Esto es,
yi = 0 + 1 xi + 2 zi + ui
Los pasos para realizar el test de White son:
a)
b)
)
d)
Obtener
{
ui }ni=1
u2i
xi , zi , x2i , zi2
xi zi .
2
Computar nR de la regresin anterior
2
on el valor
r2
ti
o de una distribu
in
hi
uadrado
on 5 grados de libertad. Si nR
ex
ede el valor
rti
o se re
haza la hiptesis nula de Homo
edasti
idad.
2.
i2
zi ,
la que generalmente
a)
zi ,
de menor a
mayor.
b)
np
Estimar dos ve
es el modelo original, una
on las
primeras ob2
np
serva
iones muestrales y otra
on las
ltimas observa
iones en la
2
muestra. Notar que p debe ser lo su
ientemente pequeo de manera
T p
que
sea mayor al nmero de parmetros.
2
112
E
onometra
Es
uela de Nego
ios, UAI
d)
Se al ula es estadsti o:
u2 u2
Fm,m
u1 u1
con m =
np
k
2
zi , enton es
zi
de dimensin p, es de ir:
's
ex epto el orrespondiente a
fuesen
ero, tendramos una situa
in de Homo
edasti
idad. Por lo tanto,
si puedieramos estimar los
oe
ientes
0 , 1 ,...,p
un ontraste para la
H0 :
1 = 2 = ... = p = 0
a)
b)
e2i
i = 1, ..., n donde
z2i ,...,zpi
d)
u2i
= 2
e2i
u2
Pn
i=1
u2i
z1i ,
9 Re ordemos
Pn
yi
i=1 (
y)2 , uando yi es
E
onometra
Es
uela de Nego
ios, UAI
4.
a)
b)
zi ,
ui , o su uadrado u2 , sobre
es de ir:
|
ui | = 0 + 1 zih + i
para distintos valores del exponente
valor de
h: h = 1, 1, 21 , 12 .
Es oger el
signi-
regresin de |u
i | y por 0 + 1 z si se estimo u , y se estima el modelo
i
i
de nuevo por MCO, pero ahora
on las variables transformadas.
114
E
onometra
Es
uela de Nego
ios, UAI
Estimador de la
desviacin estandar
del error
~2
u
SEC/(n-k)
4307097.27/16
269193.56
u =
115
518.84
E
onometra
Es
uela de Nego
ios, UAI
El estimador del parmetro aso
iado al empleo resulta ser signi
ativo, por
ada
1,000 empleador el PIB aumenta en 3,760 millones de pesetas. Sin embargo, la
estima
in de la
onstante es bastante impre
isa, y por ello resulta ser no signi
ativa. Existe la posibilidad de que la varianza del
omponente del PIB no
expli
ado por el empleo aumente
on este, es de
ir, tengamos un problema de
2
hetero
edasti
idad, donde i depende de empleoi , y de esta forma, i depende
2
de empleoi . Con esta sospe
ha, es ne
esario testear Hetero
edasti
idad.
1. Test Breus
h-Pagan: para realizar este test, primero de la estima
in MCO
del modelo de inters se obtienen los residuos, luego se
omputan los residuos
normalizados (dividir
ada residuo al
uadrado por el estimador de la varianza
del error). Se estima una regresin entre los residuos generalizados y el empleo al
uadrado.
SE
SE
= 7,64, que resulta
Una vez realizada la estima
in se
onstruye el estadsti
o
2
2
ser mayor al valor de tabla de una 1 al 95 % de
onanza (3.84), de esta forma
se re
haza la hiptesis nula de homo
edasti
idad.
mente del nivel de empleo, de esta forma, ordenamos las observa
iones de menor
a mayor nivel de empleo y omitimos las 6 observa
iones que o
upan los lugares
entrales. Luego estimamos dos modelos
ada uno
on 6 observa
iones, y se
omputa el estadsti
o
E
onometra
Es
uela de Nego
ios, UAI
= 93.2
Este estadsti o
Fm,m
117
E
onometra
Es
uela de Nego
ios, UAI
si se rompe el supuesto 4
Cov(ui uj ) 6= 0 para i 6= j
La auto
orrela
in en el trmino de error se da en los datos se serie de tiempo,
donde es un problema bastante
omn.
Luego, nuestra matriz de varianzas y
ovarianzas del error ya no ser una matriz
diagonal (
omo en el
aso de varianzas esfri
as y no esfri
a pero slo
on he-
donde
E[uu] = 2 =
2
2,1
3,1
..
.
..
.
..
t,q = cov(ut uq ).
..
.
2
yt = Xt + ut t = 1, 2, ..., T.
ut = ut1 + t
donde,
omo vimos en la se
in 3.4, el error sigue un pro
eso AR(1).
118
(3.9)
E
onometra
Es
uela de Nego
ios, UAI
ut = ut1 + t
1.
2. Como
ranza:
de esta forma
V (ut ) =
2
12
E(ut ut1 ) = 2
E(ut , ut2 )
se al ula de la siguiente
forma:
2 2
E(ut ut2 ) =
E(ut ut(T 1) ) = T 1 2
119
E
onometra
Es
uela de Nego
ios, UAI
Enton es:
2
E[uu ] = =
2
2,1
3,1
..
.
..
.
..
.
..
..
.
2
.
..
T 1
= 2
2
2
2
.
..
T 2
..
.
T 1
..
.
T 2
..
.
T 3
2 2
2
2
.
..
T 3
2
2
..
T 1 2
T 2 2
T 3 2
..
T 1
T 2
T 3
..
.
1
.
..
2
ut
este orrela ionado onsigo mismo slo un periodo atrs, esta orrela in
ut
yt
es
ut
yt+1
yt .
E
onometra
Es
uela de Nego
ios, UAI
Autocorrelacin Negativa
Autocorrelacin Positiva
X Modelo
verdadero
XX
X
Modelo
X
XX
X
estimado
X
X
X
X
XX
X
X
X
X
X
X
X X
Variables omitidas :
E
onometra
Es
uela de Nego
ios, UAI
Corolario:
Todo lo di
ho en las se
iones 3.8.1 hasta 3.8.4 apli
an en este
ontexto (re
uerde
que la matriz
siendo insesgado, pero pierde e
ien
ia, por lo
ual ya no es MELI. El estimador
de mnima varianza en este
ontexto es MCG, y en
aso de des
ono
erse la forma
de la auto
orrela
in se debe utilizar MCF.
Sin embargo y siguiendo el espritu de la
orre
in de White, Newey y West
(1987) propusieron una
orre
in para la matriz de varianzas y
ovarianzas de
MCO. Re
ordemos que en este
ontexto se
umple que:
(3.10)
1XX
S =
w(t s)
ut us xt xs
n t=1 s=1
(3.11)
|ts|<L
122
E
onometra
Es
uela de Nego
ios, UAI
Si
> 0,
los valores de
omo:
(3.12)
numerador ser muy pequeo en ompara in al residuo mismo. Ello impli a que
ser pequeo. Si
< 0,
10
grande .
ser
onverge a:
d 2(1 )
(3.13)
on:
donde
Pn
t ut1
t=2 u
P
=
n
2t
t=1 u
ut =
ut1 + ut
(3.14)
lo tanto, auto orrela in positiva tender a arrojar un pequeo d, mientras que auto orrela in negativa tender a arrojar un d grande
123
E
onometra
Es
uela de Nego
ios, UAI
zonas grises
(du, 4-du)
ser grande.
El test posee dos grandes omisiones. Primero, slo sirve para dete
tar auto
orrela
in de orden 1 en los errores y segundo, no puede ser apli
ado si
se in
luyen regresores de la variable dependiente en el modelo (porque se
onstruye bajo el supuesto de regresores determinsti
os). Adems, se debe
tener presente que el test est
onstruido bajo normalidad de los errores y
que existen las zonas grises o indeterminadas de las que hablbamos
on
anterioridad.
2.
124
E
onometra
Es
uela de Nego
ios, UAI
r
n
DW
h =
1
a N(0, 1)
2
1 n
2
donde
(3.15)
Test de Breus
h y Godfrey Este test es una alternativa para testear auto
orrela
iones de ordenes superiores a 1 y se basa en el test LM introdu
ido
en la se
in 2.12.3. La nula, al igual que en todos los test de auto
orrela
in es que los residuos no se en
uentran
orrela
ionados. Consideremos
para distintos valores de k, el siguiente
onjunto de estadsti
os:
Pn
t utk
t=1 u
rk = P
n
2t
t=1 u
(3.16)
note que si k=1, enton
es estamos en una
aso pare
ido al estadsti
o DW.
Los pasos para realizar el test son:
a)
u. El modelo puede
b)
ut
sobre p rezagos:
ut1 , . . . , utp ,
in
luyendo las variables exgenas (X) del modelo original. Note que
deber ex
luir p observa
iones.
)
d)
Cal ular el
R2
de la regresin auxiliar
Construir el estadgrafo
nR2 2p
La lgi
a del test se basa en que si no existe auto
orrela
in, enton
es los
residuos MCO no deberan ser expli
ados por sus retardos, por lo
ual el
R2 de la regresin auxiliar debera ser
er
ano a
ero, lo
ual nos llevara a
un bajo valor del estadgrafo y a un no re
hazo de la nula.
4.
dene omo:
Q=n
p
X
j=1
125
rj2
(3.17)
E
onometra
Es
uela de Nego
ios, UAI
donde:
Pn
t utj
t=j+1 u
P
rj =
2t
t=1 u
on
2
..
.
T 1
..
.
T 2
..
.
T 3
T 1
T 2
T 3
..
P en este
aso
p
1 2 0
0
1
0
0
1
P =
.
.
.
..
..
..
0
0
..
.
es:
0
0
.
..
.
.
.
1
Enton es utilizando esta matriz P podemos transformar el modelo y apli ar Mnimos Cuadrados Generalizados. Al premultipli ar X e
por la matriz
tendremos
p
p
p
1 2 y1 = ( 1 2 )x1 + ( 1 2 )u1
(T 1)
(3.18)
(3.19)
126
E
onometra
Es
uela de Nego
ios, UAI
1.
yt = xt + ut
ut = ut1 + t
El modelo transformado es de la siguiente forma:
xt
+ t
a)
xt
yt
para obtener
b)
ut
ontra
ut1 ,
Esto puede
)
d)
y xt .
para
yt
11 Esto
E
onometra
Es
uela de Nego
ios, UAI
Supongamos que se pretende estimar el modelo de regresin on auto orrela in de primer orden. Adems debemos asumir alguna distribu in para
(re
uerde que este es un requisito para poder estimar por mxima ve2
rosimilitud). Supongamos que t se distribuye N(0, ). As, la fun
in de
verosimilitud es:
L=
T
"
exp
PT
2
t=1 t
22
#!
(3.20)
)u
(u
u
)
t1
1
t=2 t
1 2 exp
L=
2
2
2
Re ordemos que
P (|P |)
es
1 2 .
L=
T p
1
u u
1 2 exp
22
2
(3.21)
T
exp
"
PT
2
t=2 t
22
#!
o equivalentemente:
f () =
T
exp
22
T
|P | exp
128
u P P u
22
E
onometra
Es
uela de Nego
ios, UAI
lnL =
T 1
2
ln(2)
T 1
2
ln(2 )
1 X
2
[(yt xt ) (yt1 xt1 )]2
2 t=2
Las ondi iones de primer orden del problema de Mxima Verosimilitud son:
T
1 X
lnL
=
t xt = 0 (k
2 t=2
ecuaciones)
T
lnL
1 X
=
(
ut ut1 )
ut1 = 0 (1 ecuacion)
2 t=2
PT 2
lnL
(T 1) 1
=
2 + t=24 t = 0 (1 ecuacion)
2
(3.22)
(3.23)
(3.24)
PT
t=2
ut ut1
ut1
Ct = 0 + 1 Yt + ut
donde
Ct
es el onsumo e
Yt
(3.25)
del
onsumo agregado del se
tor pbli
o y privado y del PIB de Espaa para los
aos 1954-1988. Estas series se muestran en el siguiente gr
o:
13 La
129
E
onometra
Es
uela de Nego
ios, UAI
20000
16000
12000
8000
4000
0
1955
1960
1980
1965 1970 1975
CONSUMO
PIB
1985
130
E
onometra
Es
uela de Nego
ios, UAI
Std. Error
t-Statistic
Prob.
76.53412
0.768971
81.89808
0.006842
0.934504
112.3909
0.3568
0.0000
C(1)
C(2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.997394
0.997315
180.8607
1079450.
-230.5536
8615.809
3490.620
13.28878
13.37765
0.338818
1960
1980
1985
Fitted
131
E
onometra
Es
uela de Nego
ios, UAI
C(1)
C(2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Coefficient
Std. Error
t-Statistic
Prob.
76.53412
0.768971
105.8340
0.008968
0.723152
85.75039
0.4747
0.0000
0.997394
0.997315
180.8607
1079450.
-230.5536
132
8615.809
3490.620
13.28878
13.37765
0.338818
E
onometra
Es
uela de Nego
ios, UAI
133
E
onometra
Es
uela de Nego
ios, UAI
134
E
onometra
Es
uela de Nego
ios, UAI
135
E
onometra
Es
uela de Nego
ios, UAI
(4 ds) = 2,48,
136
Captulo 4
Problemas
on los datos
4.1.
Multi olinealidad
Multi olinealidad
nomtri
o estn
orrela
ionadas entre si, esto tiene efe
tos negativas
uando se
quire estimar los parmetros del modelo por MCO.
Existen diversas fuentes de la multi
olinealidad:
obten in de muestras
E
onometra
Es
uela de Nego
ios, UAI
Si existe la inversa de X'X, el estimador MCO de este modelo, viene dado por
M CO = (X X)1 X y y su matriz de
ovarianzas es Var()=u2 (X X)1 .
Supongamos que la
xji
(4.1)
xji
ombina
in lineal del resto de las variables expli
ativas del modelo, lo que se
puede apre
iar en la e
ua
in (4.1). Como
onse
uen
ia una de las
olumnas de
la matriz X, la
orrespondiente a
xji ,
lienal aproximada de las dems
olumnas de X, y de esta forma (X'X) ser aproximadamente singular.
En la medida que el determinante de (X'X) sea distinto de
ero, existir (X'X)
xji
1 , 2 ,
del sistema
de e
ua
iones normales.
3. Al ser la matriz X'X
asi singular, es muy pequea. Como
onse
uen
ia la
matriz de
ovarianzas ser muy grande, por lo tanto el estimador MCO es
po
o pre
iso en este
aso.
138
E
onometra
Es
uela de Nego
ios, UAI
Multi olinealidad Exa ta: una de las variables expli ativas es una ombina in lineal determinsti a de todas las dems (o algunas de ellas).
la e ua in (3.1).
En la pr ti a, ontrario a lo que se pudiera esperara es ms ompli ado la multi olinealidad aproximada que la exa ta.
2
1. El R es alto, pero los parmetros no resultan ser individualmente signi
ativos.
Por ejemplo: Considere los siguientes datos:
Tabla 6: Multi
olinealidad
Periodo
yi x2i x3i x4i
Las variables
x3
x4
20
10
10
12
28
12
16
26
12
14
16
24
14
14
16
x2
E
onometra
Es
uela de Nego
ios, UAI
son:
23 = 0,32
Una regresin
las siguientes
(0,42)
(4.2)
(0,21)
R2 = 0,92
u2 = 2,09
Una regresin de
x2
x4 ,
estima iones:
(1,61)
(4.3)
(0,81)
R2 = 0,83
u2 = 3,16
E
onometra
Es
uela de Nego
ios, UAI
2. Pequeos
ambios en los datos, produ
e importantes varia
iones en las estima
iones mnimo
uadrti
as.
3. Los
oe
ientes pueden tener signos opuestos a los esperados o una magnitud po
o
reble.
X = [xj ; Xj ]
donde
xj
ativa y
Xj
XX=
xj xj xj Xj
Xj xj Xj Xj
(X X)1
Demostrar ): 1
es (
Mj = In Xj (Xj Xj )1 Xj
xj Mj xj
orresponde a la suma de
regresin de xj sobre Xj , de esta forma se
y donde
tiene que:
u2
xj Mj xj
(4.4)
u2
STj (1 Rj2 )
(4.5)
V ar(j ) =
Lo que tiene la siguiente expresin:
V ar(j ) =
1 Re
ordar
A11
A21
A12
A22
1
1
1
A1
11 (I + A12 F2 A21 A11 ) A11 A12 F2
1
F2 A21 A11
F2
E
onometra
Es
uela de Nego
ios, UAI
Pn
donde STj es la suma total de la regresin entre xj y Xj (STj =
i=1 (xji
2
2
xj ) ) y Rj es el
oe
iente de determina
in de esta misma regresin.
La varianza de
xj ,
variable.
2
El
oe
iente de determina
in Rj , el que si depende del grado del grado de
orrela
in entre la variable
xj
j ,
2
uando Rj =0, es:
2
V ar(j0 ) = u
STj
Por lo que la rela
in entre las varianzas de la estima
in de
en un aso
V ar(j )
1
=
1 Rj2
V ar(j0 )
142
E
onometra
Es
uela de Nego
ios, UAI
(b) Mtodos basados en el tamao de la matriz X'X:
uando tenemos multi
olinealidad la matriz X'X es
asi singular, de esta manera una medida de
tamao de esta matriz nos permite dete
tar la presen
ia de multi
olinealidad. El determinante no es una medida buena, ya que tiene problemas de
sensibilidad a los
ambios de unidades. Pero sabemos que el determinante
de una matriz simtri
a es igual al produ
to de sus valores propios, y por lo
tanto el examen de estos valores nos da una idea del tamao de la matriz.
De esta forma, Belsley propone la siguiente medida para ver el grado de
multi
olinealidad:
=
Esta medida se denomina
max
min
y nmeros
1
0
0
x2 x2
..
1
0
0
.
x3 x3
S=
..
..
.
.
0
0
0 1
Los
matriz
xk xk
B = S(X X)S ,
min
max ,
E
onometra
Es
uela de Nego
ios, UAI
estimador MCO sigue siendo el mejor estimador lineal insesgado de los parmetros. El problema es que, uando hay multi olinealidad, el
mejor
no resulta ser
muy bueno.
Las solu
iones propuestas en la literatura (estimador de ridge o estimador
resta
y estimador de
omponentes prin
ipales) tienen
omo
ara
tersti
a bus
ar un
estimador ligeramente sesgado pero
uya varianza sea mu
ho menor, es de
ir, un
estimador
on menor error
uadrti
o medio. No existe una metodologa que permita eliminar el problema de alta multi
olinealidad sin alterar las propiedades y
la interpreta
in de los parmetros.
Estas metodologas tienen po
o respaldo intuitivo, por lo tanto la interpreta
in
de los parmetros es des
ono
ida.
144
E
onometra
Es
uela de Nego
ios, UAI
4.2.
Error de Medi in
Una di
ultad en todo trabajo empri
o en E
onoma es la imposibilidad de disponer de las observa
iones muestrales de las variables de inters. Por ejemplo,
las variables de
ontabilidad na
ional
omo el PIB, sto
k de
apital o
onsumo,
son slo estima
iones de
on
eptos teri
os que no se observan en la realidad. En
otros
asos,
omo la Renta Permanente, inteligen
ia o habilidad de un trabajador,
no disponemos ni siquiera estima
iones, y debemos utilizar variables
Proxies, que
aproximan los
on
eptos que se quieren utilizar. As por ejemplo se utilizan aos
de experien
ia del trabajador para aproximar su habilidad.
Podemos adelantar que el error de medi
in o el uso de variables proxies generar
sesgos en las estima
iones por MCO, el que ser menor:
yi = xi + ui
en el que la variable dependiente
yi
i = 1, ..., n
(4.6)
mos:
yi = yi + i
donde asumimos que
i N(0, 2 )
i = 1, ..., n
(4.7)
y es independiente de
xi
ui .
yi = xi + (ui + i ) = xi + i
Bajo los supuestos men
ionados es f
il darse
uenta que el estimador de
el mismo que si observramos el verdadero valor de
(4.8)
ser
yi .
En
onse
uen
ia, los errores de medida en la variable endgena no produ
en ningn problema importante al estimar por MCO.
Ahora supongamos que la variable
xi
xi = xi + i
i = 1, ..., n
145
(4.9)
E
onometra
Es
uela de Nego
ios, UAI
donde
i N(0, 2 )
y es independiente de
ui , xi
y de
yi .
yi = xi + (ui i ) = xi + i
(4.10)
ontrario a lo que o urra en (4.8) en este aso tenemos di ultad al estimar por
Cov(i , xi ) = Cov(ui i , xi + i )
= Cov(ui , xi ) Cov(i , xi ) + Cov(ui , i ) Cov(i , i )
= 0 0 + 0 2
Esto ha
e que el estimador MCO de
=
=
plim =
plim =
plim =
plim =
plim =
plim =
donde
Sx2 = plim n1
Pn
i=1
PN
1/N
i=1 xi yi
PN 2
1/N
i=1 xi
P
N
1
i=1 xi yi
N
plim
PN 2
1
i=1 xi
N
P
plim N1 N
i=1 xi yi
P
2
plim N1 N
i=1 xi
P
plim N1 N
i=1 (xi + i )(xi + ui )
P
2
plim N1 N
i=1 (xi + i )
P
plim N1 N
i=1 (xi + i )(xi + ui + i
P
2
plim N1 N
i=1 (xi + i )
P
plim N1 N
i=1 (xi + i )(ui i )
+
P
2
plim N1 N
i=1 (xi + i )
2
+ 2 2
Sx +
i )
1+
x2i ,
Sx2
error de medi in
146
E
onometra
Es
uela de Nego
ios, UAI
y = X + u
X = X +
donde todas las variables pueden estar medidas
on error. Extendiendo lo desarrollado anteriormente:
plim M CO = [xx + ]1
donde
xx = plim
XX
y
n
= plim
(4.11)
.
n
Lo que impli
a que un slo error basta para generar in
onsisten
ias en todos
los
oe
ientes del modelo.
instrumentos.
E(zi i ) = 0 E(zi xi ) 6= 0
Enton
es el estimador de variables instrumentales de (4.10) es:
Pn
zi yi
V I = Pni=1
i=1 zi xi
E
onometra
Es
uela de Nego
ios, UAI
i.
X y la matriz de instrumentos
X = Z +
= (Z Z)1 Z X
= Z(Z Z)1 Z X
X
ii.
en el modelo de
regresin original:
y = X +
+
y=X
y obtengo el estimador de
mediante MCO:
X
)1 X
y
V I = (X
(4.12)
Si todas las variables expli ativas estn medidas on error ada una de ellas se
Ha erlo ) que:
V I = (Z X )1 Z y
tambin demostrar ):
M CO
realizar un test estadsti
o
omparando (
y
ovarianzas.
148
V I ) on
su matriz de varianzas
E
onometra
Es
uela de Nego
ios, UAI
H0 :
M CO V I = 0
M CO
Hausman demuestra que la matriz de varianzas y
ovarianzas de (
es igual a
V (V I ) V (M CO ).
(4.13)
V I )
W = (M CO V I ) (V (V I ) V (M CO ))1 (M CO V I ) 2k
149