Sei sulla pagina 1di 10

2 concetti relativi alla regressione multipla:

- eteroschedasticit
- autocorrelazione
L autoc.si presenta solo quando le osservazioni ha dimensione temporale.

INTRODUZIONE
Lo stimatore pi utilizzato in econometria quello dei minimi quadrati ordinari (OLS). Questo
perch, sotto certe condizioni, OLS il miglior stimatore possibile.
1 PROPRIET DELLO STIMATORE OLS in campioni finiti
Le ipotesi di Gauss-Markov
Quando queste ipotesi sono rispettate, allora lo stimatore OLS BLUE (Best Linear Unbiased
Estimator), cio il migliore stimatore non distorto (o corretto
1
) tra i vari stimatori lineari .
Le condizioni di Gauss-Markov sono 4:
1) in media la regressione vera; cio in media ci aspettiamo che le osservazioni si trovino
sulla retta. Detto in modo statistico: la media della parte stocastica (e quindi dellerrore
stocastico) condizionata alla parte deterministica (cio alle x che includiamo ) pari a zero
0 ) \ ( X i E
i

IL VALORE ATTESO DELLERRORE


NULLO, IL CHE IMPLICA CHE IN MEDIA
LA RETTA DI REGRESSIONE CORRETTA
Cio la parte che non consideriamo (errore stocastico) deve avere uninfluenza in media
nulla.
Il rispetto di questa assunzione ci assicura che non stiamo omettendo nessuna variabile
rilevante
2)
{
n
,...,
1
e
{
n
X X ,...,
1
sono indipendenti (sono i.i.d)
(NB. Il Campionamento casuale fa s che le osservazioni raccolte siano i.i.d.)
Lindipendenza importante perch permette di eliminare il problema della collinearit (che, invece
si presenta quando c correlazione).
Nb: la 1) che implica la 2)! perch quando la media di una v.a. condizionata a unaltra =0, allora
le due v.a. sono indipendenti
3)
2
) \ v a r (
i i
X , cio la varianza degli errori condizionata alle variabili esplicative
i
X
costante,
per i=1,,n , una propriet detta di omoschedasticit.
1
Corretto vuol dire che ripetendo il campionamento, ci aspettiamo che lo stimatore sia in media pari al vero valore di .
1
Implicano termini di errore del modello non pi i.i.d
Di solito si presenta con
osservazioni cross-section
Nb: la 2), cio lindipendenza, che implica la 3), cio lomoschedasticit.
4)
0 ) , (
j i
Cov

cio gli errori sono incorrelati tra le osservazioni, cio 2 termini di errore diversi sono fra loro
incorrelati.
TEOREMA DI GAUSS-MARKOV:
Tale teorema afferma che il rispetto di queste 4 ipotesi fa si che lo stimatore OLS sia non
distorto e abbia una varianza il pi possibile piccola, cio che sia BLUE.
ETEROSCHEDASTICITA
Cosa succede quando lipotesi 3) non viene rispettata?
Problema dell
=
la varianza degli errori diversa per differenti valori delle X
i
(cio la negazione dellipotesi 3).
(SIA ETEROSCH. SIA AUTOCORRELAZ. IMPLICANO CHE LA 3) NON Pi VALIDA)
Ricordiamo che la varianza indica come ogni osservazione si discosta dalla media, in questo caso
dalla retta di regressione. E questa variabilit dovrebbe essere costante. Se non lo , e quindi varia
in base allosservazione, allora c eteroschedasticit.
Esempio:
Attacca qui slide In questa figura si nota che la
N3 varianza delle distribuzioni dipende da
i
X
,
cio varia a seconda della X che considero.
Perch necessario preoccuparsi delleteroschedasticit?
Leteroschedasticit non un problema grave, cio non ha conseguenze fatali per lo stimatore OLS
perch:
se c eteroschedasticit, e uso OLS, ottengo delle stime per i coefficienti che restano corrette e
consistenti, ma lo stimatore OLS non pi efficiente, cio non pi lo stimatore che ha la varianza
pi piccola (minima) rispetto a tutti gli altri, e quindi non pi lo stimatore BLUE.
Inoltre, oltre alla varianza, anche gli errori standard delle stime sono distorti (entrambi sono
calcolati automaticamente con una formula errata), e quindi non sono pi validi i test t o F.
Dunque lo stimatore OLS corretto ma non pi il migliore.
2
ETEROSCHEDASTICIIT
E quindi cosa si fa quando c eteroschedasticit?
Ci sono 2 strategie alternative per gestire i problemi indotti dalleteroschedasticit:
1) si utilizza un altro stimatore che sia BLUE: GLS o WLS (Generalized Least Squares, Weighted
Least Squares) = stimatore dei minimi quadrati generalizzati o ponderati.
Si attribuisce un peso inferiore alle osservazioni con varianza pi elevata, cio i pesi pi alti
vengono assegnati alle osservazioni pi precise e quelli pi bassi alle osservazioni meno precise
Gls avr varianza minima fra quelli lineari e corretti
(lo analizzo dopo. Vedi p.6)
2) continuo a utilizzare lo stimatore OLS, ma correggendone gli errori standard per ammettere la
possibilit di eterosch. (o autocorrelaz). Analizzo ora:
Cio uso unaltra formula per gli errori standard attacca qui slide n 5

Cio: per la stima della varianza non utilizzo la formula ricavata dalla minimizzazione del quadrato
dei residui, ma utilizzo questa:
2
2
2
) (
x
i
i
SST
u x x

(dove SST la variabilit delle Xi rispetto


alla media, al quadrato)
Nb: questa formula va bene anche nel caso di omoschedasticit
(perch lomoschedasticit un caso particolare delleteroschedasticit)
quindi conviene utilizzarla sempre quando facciamo le stime.
Poi, una volta ottenuta una stima consistente della varianza, la radice quadrata pu essere utilizzata
come stima dellerrore standard.
E questi errori, cio gli errori standard calcolati come radici quadrate della formula sopra, vengono
chiamati errori standard consistenti o robusti in presenza di eterosch..
NB: per applicare questa formula basta spuntare Errori robusti standard..
Quando n tende a la stessa cosa, sebbene si ricordi che:
- questi errori standard corretti (cio robusti) sono giustificati solo asintoticamente
- con campioni piccoli
2
la statistica t formata con errori standard robusti non avr una distribuzione
simile alla t. Lanalisi di inferenza sar sbagliata.
LA STATISTICA LM
Quando utilizziamo grandi campioni, e quindi possiamo avvalerci delle propriet asintotiche di
normalit per linferenza, possibile utilizzare altre statistiche oltre alla t e F (ad esempio LM).
2
importante disporre di grandi campioni perch:
- Legge dei Grandi Numeri: quando n tende a infinito, la media campionaria tender alla media della
popolazione. Questo mi assicura che la stima del coefficiente sia asintoticamente uguale al valore vero!
- Teo del Limite Centrale: quando n tende a infinito, la v.a. tende a distribuirsi come una normale. E quindi
posso fare inferenza!
3
Il test del moltiplicatore di Lagrange (o statistica LM , Lagrange Multiplier) un metodo
alternativo per testare restrizioni lineari multiple (cio quando H
0
dice che pi di un coefficiente
nullo) e si avvale di una regressione ausiliaria (la regressione del modello ristretto).
Cio:
supponiamo di avere il modello
u X X X Y
k k
+ + + + + ...
2 2 1 1 0

in cui lipotesi nulla :
0 ,......., 0 :
1 0

+ k q k
H
.
I passaggi per calcolare LM sono:
1. Calcoliamo prima il modello ristretto, cio stimo il modello senza le variabili esplicative
i cui coefficienti li ho assunti pari a zero nellipotesi nulla
3
:
u X X Y
q k q k
~
~
......
~ ~
1 1 0
+ + + +


2. prendiamo i residui, u
~
, e facciamo la regressione di u
~
su
k
X X X ,......, ,
2 1
, cio su
tutte le variabili
3. ottengo
2
u
R n LM (dove
2
u
R lo ottengo dalla regressione fatta al punto 2., e dove n
il n di osservazioni).
Il test LM come il test F
4
, solo che si distribuisce come una chi-quadro:
2
q
X LM
dove q sono i gradi di libert; si ha che gradi di libert = n delle restrizioni.
Come sempre, per decidere se rifiutare o non rifiutare lhp nulla,:
- o confronto LM col valore critico (che lo leggo sulle tavole del
2
q
X
)
- o calcolo il p-value per
2
q
X
Se arrivo a non rifiutare lhp nulla, vuol dire che il modello ristretto quello corretto.
Se invece rifiuto, vuol dire che il modello non ristretto quello corretto
Anche la statistica F usata per verificare ipotesi congiunte sui coefficienti di regressione.
(Invece il test F si calcola cos: 1) stimo sia mod. non ristretto sia mod. ristretto; 2) per ognuno dei
modelli calcolo la somma del quadrato dei residui (SSR1 e SSR2); 3) F = al rapporto tra SSR1 e
SSR2, cio F dato dal rapporto di 2 chi-quadro (perch SSR~
2
q
X
!) con diversi gradi di libert
(al num, dove ho il mod. non ristr., i gradi di libert sono n-k, invece al denominatore i gradi di lib
sono = n di restrizioni. Se rifiuto hp nulla, allora il mod non ristretto quello corretto (perch lhp
nulla sempre che alcuni coefficienti siano =0)
In caso di grandi campioni, i risultati ottenuti dal test F e dal test LM dovrebbero essere simili.
Diversamente dal caso del test F e del test t per una sola restrizione, il test LM e il test F non
saranno identici.
COME CALCOLARE LM IN CASO DI ETEROSCHEDASTICITA:
3
Ad esempio: se hp nulla:
0 , 0
3 2

, allora stimo il modello (ristretto) senza le variabili esplicative
2
X e
3
X
4
LM un test che utilizzeremo molto, perch ha una potenza maggiore rispetto agli altri test ( pi potente di F). pi
potente vuol dire che la probabilit di commettere errore di 1 specie basso)
4
TEST DI ETEROSCHEDASTICITA
NB: alla prof non interessano questi passaggi (perch nel software vengono fatti automaticamente!);
interessa la LM cosa dal p.v.statistico!!!
TEST DI ETEROSCHEDASTICITA
Per decidere se in un certo modello i risultati OLS sono fuorvianti a causa di errori negli errori
standard indotti dalla presenza di eteroschedasticit possibile ricorrere a diversi test.
Dal momento che questi test hanno lipotesi nulla di omoschedasticit rispetto a varie ipotesi
alternative di eteroschedasticit, allora se questi test non rifiutano lipotesi nulla allora non c
motivo di dubitare dei risultati ottenuti con i minimi quadrati; se invece si incappa in uno o pi
rifiuti, allora diciamo che c eteroschedasticit e quindi devo usare GLS o OLS con errori standard
robusti.
Dunque:
2
2 1 0
) , . . . , , \ ( :
k
X X X u V a r H
, che equivalente a
2 2
2 1
2
0
) ( ) , . . . , , \ ( : u E X X X u E H
k
.
Se si assume che la relazione tra
2
u e j
X
sia lineare, si possono testare le restrizioni lineari;
pertanto per
v X X u
k k
+ + + + ...
1 1 0
2
(regressione ausiliaria) significa verificare
0 .... :
2 1 0

k
H
(cio che tutti i coefficienti, tranne il 1 perch una costante, siano =0)
(significa verificare questa perch: se
0 ....
2 1

k

, allora la varianza costante (perch sar
=
0

, e
0

non dipende dalle X!) )


test BREUSCH-PAGAN: dopo aver regredito il quadrato dei residui su tutte le x (come
detto sopra), possiamo utilizzare
2
R
per calcolare il test F o LM (Ricorda: LM pi
potente di F! inoltre pi facile da calcolare, vediamolo:):
[ ] ( ) [ ] ) 1 /( 1 / /
2 2
k n R k R F , che si distribuisce come 1 , k n k
F


2
nR LM , che si distribuisce come
2
k
X
(ripeto:il calcolo di F il software ce lo d automaticamente (in gretl basta scegliere test B-P);
forse non devo stud queste cose)
Il test B-P individuer ogni tipo di forma lineare di eteroschedasticit. Cio richiede di
specificare il tipo di eteroschedasticit che si sta cercando.
Invece il test white pi flessibile perch non richiede di formulare assunti particolari per
lipotesi alternativa. Vediamolo:
(per tale motivo si preferisce white a B-P)
test WHITE: molto utilizzato perch permette di testare anche forme di eteroschedasticit
non lineari (x
2
, xy,). E lo fa cos:
5
STATISTICA LM ROBUSTA
1. calcolare OLS del modello ristretto e salvare i residui u
~
2. regredire ognuna delle variabili escluse su tutte le variabili incluse (avr q diverse regressioni) e salvare i
diversi gruppi di residui (
q
r r r
~
,....,
~
,
~
2 1
)
3. regredire una variabile posta =1 su
u r u r u r
q
~ ~
,.....,
~ ~
,
~ ~
2 1 , senza intercetta
4. trovo LM = n SSR1 , dove SSR1 la somma dei quadrati dei residui di questa ultima regressione.
Indipendenza
dellerrore dalle X
(Gauss-Markov)
F dato da rapporto di 2 chi quadro
dato che i valori stimati da OLS (

Y
) sono funzioni delle X, allora

2
Y
sar funzione del
quadrato e dei prodotti incrociati di tutte le j
X
(cio sar funzione delle
2
j
X
e delle
h j
X X
). Pertanto, occorre regredire il quadrato dei residui (
2
u ) su

Y
e

2
Y
; poi uso
2
R
per calcolare la statistica F o LM (penso come indicato al punto precedente, vedi elenco
puntato con quadratini).
LO STIMATORE WLS
Sebbene sia sempre possibile stimare errori standard robusti per le stime OLS (strategia n2), se si
conosce la forma specifica delleteroschedasticit, possibile calcolare stime pi efficienti di quelle
ottenute con il metodo OLS. Questo possibile utilizzando WLS.
Lidea di base del WLS consiste nel trasformare il modello in un altro con errori omoschedastici.
Per, ripeto, necessario conoscere la forma delleteroschedasticit.
Non facciamo ipotesi precise sulla forma delleteroschedasticit; supponiamo soltanto che
leteroschedasticit possa essere modellata nella forma:
) ( ) \ (
2
X X h u V a r
dove i
h h ) (X
(e dunque la varianza dipende dalle X (cio c eterosch.)).
Si ha che, dividendo
5
il modello (cio la y e tutte le x) per
i
h
(cio pondero il modello
moltiplicandolo per il reciproco di h) otteniamo un nuovo modello con errori standard
omoschedastici:
0 ) \ / ( X
i i
h u E
perch
i
h
solo funzione delle X e
2
) \ / ( X
i i
h u V a r
, dato che
i
h u V a r
2
) \ ( X
costante

ora c omoschedast.
( cio penso:
2 2
2
1
) (
1
) \ ( ) \ / (

'
|

'
|

i
i
i i
h
h
h
u V a r h u V a r X X X
)
(Se voglio fare questo in excel, dopo aver esplicitato la forma di h, devo dividere la y e le x per
i
h
, poi applico OLS e ottengo stime corrette, consistenti, efficienti; in gretl invece non divido
perch basta scegliere WLS piuttosto che OLS)
LO STIMATORE GLS
5
Divido per radice di h e non per h perch Var(ax)=a
2
Var(x)
6
costante Funzione, che
dipende da x
Il problema sorge quando lespressione di h complicata e quindi la trasformazione potrebbe essere
non semplice.
GLS permette di ottenere le stesse stime senza effettuare la trasformazione.
Lidea consiste nel:
1. prendere ogni residuo al quadrato e pesarlo con linverso della radice della varianza
dellerrore corrispondente (cio con linverso di ) \ (
i i
u V a r X ).
2. minimizzare la somma ponderata dei quadrati dei residui
Esso pu essere derivato direttamente minimizzando la somma dei quadrati dei residui dopo aver
diviso ogni addendo allinterno della sommatoria per
i
h
(non per
i
h
ma per
i
h
perch il min
del quadrato dei residui).
LO STIMATORE FGLS (Feasible GLS = minimi quadrati generalizzati
calcolabili)
WLS (e GLS) applicabile quando sappiamo la forma di ) \ (
i i
u V a r X .
Il problema che nella maggior parte dei casi non si conosce il modello di eteroschedasticit; le
varianze dei termini derrore non sono note.
In questi casi necessario stimare i pesi
i
h
, perch non si conoscono ( questo che prevede
FGLS): quindi al posto dei parametri ignoti
i
h
, utilizziamo una loro stima.
Per fare questa stima, di solito si inizia con un modello per la varianza che sia il pi generico
possibile
6
, ad esempio
7
:
) . . . e x p ( ) \ (
1 1 0
2
k k
X X u V a r + + + X
Stimando il modello originario (iniziale) normalmente con OLS, ottengo dei residui (stimati
ovviam; quindi li indico col cappello) ; li salvo e ne prendo il quadrato; lassunzione fatta implica
che avranno questa forma:
v X X u
k k
) ... exp(
1 1 0
2
2
+ + +

dove
1 ) \ ( X v E
.
Prendo il log di qta espressione e ottengo:
e X X u
k k
+ + + +

... ) ln(
1 1 0
2
dove E(e\x) = E(e) = 0
6
In modo che catturi tutte le possibili forme della varianza
7
Ha la forma di esponenziale perch lexp sempre positiva (nb:la varianza per definiz deve essere sempre positiva) ed
una forma funzionale molto flessibile. una forma di eteroschedasticit detta eteroschedasticit moltiplicativa.
7
OLS

2
ln
una costante, che chiamo
0

Ln(a*b)=ln(a)+ ln(b); inoltre ln(v)


lo chiamo e
0 1 ln ) ( ln )) (ln( ) ( v E v E e E
Ora regredisco
) ln(
2

u
su tutte le variabili esplicative e calcolo i valori stimati (cio ottengo le
stime di
0

e dei ), che chiamo



g
.
Una stima di h (cioe

h
) ottenuta da
) exp(

g h
(cio exp della somma dei coeff stimati) , il cui
inverso rappresenta il peso. Quindi ottenuto h stimato, posso avere una stima della varianza. Quindi
procedo come sopra.
(infine) calcolo GLS usando 1/exp(

g
) come pesi.
AUTOCORRELAZIONE (o correlazione seriale)
Si ha nel caso in cui viene violata una ipotesi di Gauss-Markov per cui non tutte le covarianze tra i
termini di errore diversi sono uguali a zero.
Le conseguenze dellautocorrelazione sono simili a quelle delleteroschedasticit: OLS resta
corretto ma diventa inefficiente (non ha pi la varianza minima tra tutti gli stimatori lineari)
Di norma lautocorrelazione si verifica solo usando campioni in serie storica. Quindi indicizzeremo
le osservazioni con t=1,2,, T anzich con i=1,2,, N.
Quindi, dire che gli errori stocastici sono correlati vuol dire che esiste una certa dipendenza
temporale tra essi; ad es lerrore stoc al tempo t (
t
u
) correlato con lerrore stoc al tempo t-1.
8
La presenza di autocorrelazione pu essere il sintomo dellesistenza di variabili omesse, di una
forma funzionale sbagliata, o di un errata specificazione del modello.
Pertanto, ci che si vuole testare se gli errori stocastici siano correlati o meno. Quindi:

0 :
0
H
, (dove

lindice di correlazione)
nel modello
t t t
e u u +
1

,
n t ,..., 2

TEST PER TESTARE LA PRESENZA DI AUTOCORRELAZ. DEL PRIMO ORDINE - AR(1)
Quando ho un modello di regressione con Y e le X che sono strettamente esogene (Con
regressori strettamente esogeni)
9
, la verifica dellipotesi semplice: basta regredire i
residui
10
sul suo ritardo (oppure sui residui ritardati) (cio regredisco t
u
su 1 t
u
:
questa la regressione ausiliaria) e utilizzare la statistica t per decidere se rifiutare o meno
lhp nulla (
0 :
0
H
, cio
:
0
H
assenza di autocorrelazione).

8
Lesempio pi importante del fenomeno dellautocorrelazione si verifica quando 2 o pi termini di errore consecutivi
sono correlati.
9
2 v.a. (o regressori) sono strettamente esogene quando una di esse al tempo t indipendente dallaltra variabile non
solo allo stesso tempo t ma anche in tutti gli altri periodi. Invece, si dicono debolmente esogene quando lindipendenza
si ha solo nello stesso periodo di tempo.
10
Quindi prima devo aver stimato il modello (con OLS), e da questa stima ottengo i residui.
8
indipendente da x
t
u un modello del termine di errore
t
e i.i.d.
Un test alternativo il test Durbin-Watson.
Quando la statistica DW assume valore intorno al 2 rifiuto lipotesi di correlazione
seriale
11
; invece se significativamente (di molto) < 2 non rifiuto.
Nel caso di s.s. i regressori sono quasi sempre debolmente esogeni.
Se i regressori non sono strettamente esogeni, non sono valide n la statistica t n la
statistica DW.
Devo regredire i residui (o Y) sui valori ritardati dei residui e sulle X (Linclusione delle X
permette di tener conto della correlazione delle tj
X
con le
1 t
u
, pertanto non abbiamo
bisogno dellassunzione di stretta esogeneit)

TEST PER TESTARE LA PRESENZA DI AUTOCORRELAZIONE DI ORDINE SUPERIORE
Si pu testare una correlazione seriale AR(q) nello stesso modo di una correlazione seriale AR(1).
Bisogna, come prima, regredire i residui sui residui ritardati solo che in questo caso devo includere
q ritardi dei residui nella regressione, e verificare congiuntamente la significativit
Si pu utilizzare il test F o il test LM. La versione LM utilizzata qui chiamata Breusch-Godfrey
test
12
: uguale a
2
) ( R q n (dove
2
R
quello della regressione dei residui, detta su).
Poi confronto il valore di LM col valore critico che troviamo sulle tavole del chi-quadro
13
, per poter
decidere se rifiutare o non lhp nulla, e quindi per capire se c autocorrelazione.
CORREZIONE DELLAUTOCORRELAZIONE (Soluzioni al problema dellautocorrelazione)
Una volta accertato, attraverso i test, che esista correlazione seriale, devo agire per correggere
questo problema. Posso agire in 2 modi (come per leteroschedasticit):
1. trasformo il modello per pulirlo dalla correlazione seriale (metodo 1) oppure
2. correggo la varianza in modo tale che tenga conto dellautocorrrelaz. (metodo 2)
Iniziamo con il caso di regressori strettamente esogeni.
Si assuma che gli errori seguano un processo AR(1); pertanto
t t t
e u u +
1

, t=2,,n.
Inoltre si dimostra che quando c autocorrelaz ed di ordine 1, la varianza uguale a:
) 1 /( ) (
2
2

e t
u Var (dove
2
e
la varianza dellerrore dei residui, cio varianza dellerrore
della regressione ausiliaria, della regressione delle u).
necessario trasformare lequazione per avere errori non correlati: (metodo 1)
Questa quasi - differenziazione ci permette di ottenere un modello senza errori autocorrelati.
Il problema per applicare questo modello rappresentato dl fatto che non conosciamo

.
Dobbiamo quindi stimarlo stimatore Feasible GLS
11
H0:c autocorrelazione
12
Questo test si pu utilizzare anche in presenza di AR(1).
13
Con le tavole della chi-quadro, perch ricorda che la LM si distribuisce come una chi-quadro
9
Trasformazione:
Considero che, poich
t t t
u X Y + +
1 0

, allora il modello ritardato di 1 periodo sar
1 1 1 0 1
+ +
t t t
u X Y
.
Moltiplicando la seconda equazione per

, e sottraendola dalla prima, ottengo:



t t t t t
e X X Y Y + +

) ( ) 1 (
1 1 0 1

, dove
1

t t t
u u e
.
La stima di

si ottiene regredendo i residui (ottenuti applicando OLS sul modello iniziale) sui
ritardi degli stessi: la relazione esistente tra essi (cio tra i residui al tempo t e i residui al tempo t-1)
la stima di

.
Questo metodo viene detto stima di Cochrane-Orcutt
C-O calcolato iterativamente: per avere stime efficienti, si ripete tutta la procedura finch non
converge, cio finch il
1

non risulti corretto (cio finch la differenza tra


1

alliterazione t e
1

alliterazione t-1 non sia molto vicino allo zero)


Il modello pu essere esteso al caso di correlazione seriale di pi alti gradi, AR(q).
Se i regressori non sono strettamente esogeni, consigliato non effettuare la trasformazione, ma
effettuare una correzione della varianza degli stimatori (metodo 2), cio calcolare errori standard
robusti al problema di correlazione seriale (nello stesso modo degli errori robusti al problema di
eterosch). Lidea quindi correggere gli errori standard OLS in modo da tener conto del problema
della correlazione seriale. Quindi la procedura :
La prof dice che non necessario conoscere la formula della varianza (1), ,ma necessario dire che
una formula tale che tiene conto del fatto che i regressori (le x) siano correlati. E come ne tiene
conto?

ne tiene conto includendo

a
nel suo calcolo (perch

a
proviene dalla regressione delle
X su tutte le altre X, quindi coglie la relazione tra i regressori).
NB: il fatto che nella formula c anche il prodotto in periodi diversi, fa capire che il metodo 2 si
pu usare anche se i regressori sono strettamente esogeni. Cio in caso di stretta esogeneit posso
applicare sia il metodo 1 sia il metodo 2; invece in caso di esogeneit debole posso solo applicare la
correzione della varianza (metodo 2).
(Quello nel riquadro non lo dico; dico solo ci che scritto sotto).
10
1. Stimare OLS e salvare i residui, radice di MSE
2. Effettuare la regressione ausiliare di
1 t
X
su
2 t
X
,.,
tk
X
3. Ottenere
t a

moltiplicando i residui per


t u

4. scegliere g da 1 a 3 per dati annuali


5.pertanto, la giusta formula della varianza (che tiene conto della possibilit di autocorrelaz, e
ne tiene conto per tutti gli ordini):
( ) [ ]

'
|
+ +

+




n
h t
h t t
g
h t
n
t
a a g h a v
1 1
2
1
1 / 1 2 (1)
(dove h il n dei ritardi)
e

]
]
]

v E S e s
2
1
/ . . ) .( .
(dove S.E.= Standard Error OLS di
j