PREGUNTAS DE DOMINICK SALVATORE

FORMA FUNCIONAL 1. Qu forma tiene la relacin funcional elegida? La curva de coste medio (a corto plazo) tiene la forma de U y que la curva de coste fijo medio disminuye de forma constante y se aproxima al eje de la cantidad asintticamente a medida que los costes fijos totales se reparten entre cada vez ms unidades. 2. Cules son algunas de las transformaciones en funciones lineales ms tiles? Una de las ventajas de la forma doble log es que los parmetros de la pendiente representan elasticidades. La funcin semi log adecuada cuando la variable dependiente crece a una tasa aproximadamente constante a los largo del tiempo, como el caso de la mano de obra o de la produccin. La funcin recproca y polinmica son adecuadas para estimar costes medios y totales. 3. Se obtienen estimadores insesgados de los autnticos valores de los parmetros mediante la aplicacin del mtodo MCO a las funciones lineales transformadas? Las estimaciones de una funcin doble logartmica transformada mediante el mtodo de MCO dan lugar a estimadores insesgados de la pendiente. Sin embargo, estimador sesgado pero consiste de bo. El modelo lineal doble logaritmo resulta adecuado cuando la grfica de Ln Y respecto a Ln X se encuentra aproximadamente una lnea recta. = antilog es un

VARIABLES DUMMY 1. Escriba una ecuacin para tiempos de paz y guerra para las ecuaciones a . Si C=consumo, Yd=renta disponible, D=1 en tiempos de guerra y D=0 en tiempos de paz.

Siendo las estimaciones a las que hacen referencia a los aos de paz y las ecuaciones b las que hacen referencia a los aos de guerra obtenemos:

Si D=0 ( )

Si D=0 ( )

Si D=0 ( ) ( )

Observe que todas las ecuaciones en tipos de paz son iguales porque D=0. En tipos de guerra, el consumo se menor que en tiempos de paz debido a los controles y a la menor disponibilidad de bienes y servicios. Por lo tanto se espera que b2 y b3 (los coeficientes de D) sean negativos en tiempos de guerra, de forma que las ecuaciones para los aos de guerra tienen un menor punto de corte con el eje vertical o una menor pendiente que la ecuacin tiempos de paz.

2. Dibuje un grfico para las ecuaciones.

3. Cules son las ventajas de estimar las ecuaciones en vez de estimarlos regresiones, para los aos de paz, y otra para los aos de guerra? Las ventajas de estimar las ecuaciones, frente a las estimaciones de una regresin independiente en cada caso, una para la paz y otra para la guerra, son: Hay ms grados de libertad. Se puede contrastar diversas hiptesis con facilidad para ver si las distintas constantes o pendientes son estadsticamente significativas. Se ahorra tiempo de clculo.

MODELOS DE RETARDOS DISTRIBUIDOS 1. Qu se quiere decir por modelos retardos distribuidos? Un modelo de retardos distribuidos es un modelo en el que el valor actual de la variable dependiente Yt depende de la suma ponderada de valores actuales anteriores de las variables independientes (X1, Xt-1, Xt-2,etc) y del termino de error, asignndose, generalmente, distintas ponderaciones a los diversos periodos de tiempo (que suele disminuir sucesivamente para los periodos ms lejos) 2. Escriba la ecuacin del modelo general de retardos distribuidos.

Observe que en las ecuaciones a es una contante mientras b0 es el coeficiente de Xt. Esto es asi para simplificar la manipulacin algebraica. 3. Cules son las dificultades prcticas a la hora de estimar un modelo de retardos distribuidos con k retardos? Cuando se estima un modelo de retardos, la inclusin de cada trmino retardado utiliza un grado de libertad. Cuando el nmero de trminos independientes retardados, k, es reducido, el modelo se puede estimar mediante MCO. Sin embargo, cuando k es elevado (respecto a la duracin de series de tiempo), es posible que quede un numero de grados de libertad inadecuando para estimar el modelo o para tener confianza sobre los parmetros estimados. PREVISION 1. Qu se quiere decir por previsin? Y por previsin condicional? Y por prediccin? La previsin hace referencia a la estimacin del valor de una variable dependiente, dado el valor real o estimado de las variables independientes. Cuando la previsin se realiza en funcin de los valores estimados (en vez de reales) de la variable independiente, tenemos una previsin condicional. La prediccin es un trmino que, a menudo, se utiliza como sinnimo de la previsin. En otras ocasiones, por prediccin se quiere decir la estimacin de una variable intramuestral dependiente. Por lo tanto la previsin hace referencia a la estimacin del valor futuro de la variable dependiente. 2. Cules son las principales fuentes de error en la previsin? Los errores de previsin se producen debido a: La naturaleza aleatoria del termino de error Los parmetros estimados insesgados solo son iguales a la media del autntico valor de los parmetros. Errores de la previsin de las variables independientes Una incorrecta especificacin del modelo.

3. Cul es la varianza del error de la previsin? Qu es un estimador insesgado de la varianza del error de la previsin? De qu depende? La varianza del error de previsin, 2F viene dada por:

( (

) ] )

Donde n es el nmero de observaciones y 2ues la varianza de u. Un estimador insesgado de la varianza del error de previsin s2F viene dada por: [ ( ( ) ] )

S2 es un estimador insesgado de 2F (o s2F ), 2u(o s2) y la diferencia entre XF y .

4. Cmo se calcula el valor de El valor de

? Y el intervalo de confianza del 95% de la previsin YF?

se calcula sustituyendo el valor actual o estimado de XF en la ecuacin de la

regresin estimada:

El intervalo de confianza del 95% de la previsin Y F viene dado por: Donde t hace referencia a la distribucin t con n-2 grados de libertad. MULTICOLINEALIDAD 1. Qu se quiere decir por multicolinealidad perfecta? Cul es su efecto? Dos o ms variables son perfectamente colineales si una o ms variables puede expresarse como una combinacin lineal de las otras variables. Por ejemplo, existe una multicolinealidad perfecta entre X1 y X2 si X1 =2X2 o X1 = 5 (1/3) X2.

Si dos o ms variables explicativas estn perfectamente correlacionadas linealmente, ser imposible calcular los estimadores MCO de los parmetros porque el sistema de ecuaciones normales incluir dos o ms ecuaciones que son independientes. 2. Qu se quiere decir por multicolinealidad elevada pero no perfecta? Qu problemas podr producirse? La multicolinealidad elevada, pero no perfecta, hace referencia al caso en el que dos o ms variables independientes del modelo de regresin estn muy correlacionadas. Esto puede dificultar o hacer imposible aislar el efecto que cada una de las variables explicativas muy correlacionada tiene sobre la variable dependiente. Sin embargo, los coeficientes MCO estimadores siguen siendo insesgados (si el modelo est especificado correctamente). Adems, si el objetivo principal de la regresin es la prediccin, de la multicolinealidad no presenta problema si persiste el mismo patrn de multicolinealidad durante el periodo de previsin. 3. Cmo se puede detectar la multicolinealidad? El clsico caso de multicolinealidad se produce cuando ninguna de la variables explicativas de la regresin MCO es estadsticamente significativa (y algunas pueden, incluso, tener el mismo signo equivocado), a pesar de que el R 2 puede ser elevado (por ejemplo, entre 0,7 y 1,0). En los casos menos evidentes, resulta ms difcil detectar la multicolnealidad. A veces se utilizan elevados coeficientes de correlacin parcial o simple entre variables explicativas como una medida de la multicolinealidad. Sin embargo, es posible que existe una importante multicolinealidad a pesar de que los coeficientes de correlacin parcial o simple sean relativamente reducidos (es decir, inferiores a 0,5) 4. Qu se puede hacer para superar o reducir los problemas derivados de la multicolinealidad? A veces se puede corregir un problema grave de multicolinealidad: Ampliando el tamao de la muestra de datos. Utilizando informacin a priori (es decir, es posible que conozcamos, de un estudio anterior, que b2 = 0,25 b1) Transformando la relacin funcional. Suprimiendo una de variables muy correlacionadas (sin embargo, esto puede dar lugar a errores o sesgos de especificacin si la teora nos dices que la variable suprimida debera estar incluida en el modelo).

HETEROSCEDASTICIDAD 1. Qu quiere decir por heteroscedasticidad? La heteroscedasticidad hace referencia al caso en el que la varianza del trmino de error no es constante para todos los valores de la variable independiente; es decir, E(Xi ui) 0, por lo que E(ui)2 2u Esto viola el tercer supuesto del modelo de regresin MCO. Se produce fundamentalmente con datos de seccin cruzada. Por ejemplo, la varianza del error asociada con los gastos de la familias de rentas bajas suele ser inferior a la de las familias de rentas elevadas porque la mayora de los gastos de las familias de rentas bajas se destina a pagar bines de primera necesidad, dejando menos margen para la discrecionalidad.

2. Dibuje un grfico que muestre perturbaciones homoscedsticas y diversas formas de perturbaciones heteroscedsticas.

3. Por qu constituye un problema de heteroscedasticidad? Con heteroscedasticidad los estimadores MCO delos parmetros siguen siendo estimadores insesgados y consistentes, pero no ineficientes (es decir, tiene varianzas mayores que la varianza mnima). Adems, las varianzas estimadas de los parmetros estn sesgadas, lo que da lugar a contrataciones incorrectas de los parmetros y a intervalos de confianza sesgados. 4. Cmo se contrasta la existencia de heteroscedasticidad? La existencia de heteroscedasticidad se puede contrastar ordenando los datos de la variable independiente Xi de menor a mayor y despus haciendo dos regresiones separadas, una para los valores inferiores de Xi y otra para los valores superiores de Xi y omitiendo algunas de las observaciones intermedias (por ejemplo, la quinta parte). A continuacin se contrasta el cociente entre la suma de los cuadrados de los errores de la segunda regresin respecto a la suma de los cuadrados de los errores de la primera regresin (es decir, SR 2 / SR1) para ver si es significativamente distinto de 0. Para hacer esta contrastacin se utiliza la distribucin F con (nd-2k)/2 grados de libertad n es el nmero total de observaciones, d es el nmero de observaciones omitidas y k es el nmero de parmetros estimados, esta es la contrastacin de la heteroscedasticidad de Goldfeld- Quandt, y es ms adecuada para muestras de gran tamao (es decir, para n30). Si se omiten las observaciones intermedias, la contrastacin sigue siendo correcta pero tendr un menor poder para detectar la heteroscedasticidad. 5. Cmo se puede corregir la heteroscedasticidad? Si se supone (como suele ser el caso) que var u i = CXi2 donde C es una constante de 0, podemos corregir la heteroscedasticidad dividiendo (es decir, ponderando) cada trmino de la regresin por Xi, y despus volviendo a estimar la regresin utilizando las variables transformadas. En este caso de dos variables tenemos Ecuacin 1

El trmino de error transformado es ahora un trmino homoscedasticos:

Observe que el punto de corte inicial se ha convertido en una variable, ecuacin 1, mientras que el parmetro de la pendiente inicial, b1, es ahora el nuevo punto de corte con el eje. Sin embargo, hay que tener cuidado para interpretar correctamente los resultados de la regresin transformada o ponderada. Puesto que la ecuacin 1 los errores son homoscedasticos, los estimadores MCO no slo son insesgados y consistentes, sino que tambin son eficientes. En el caso de una regresin mltiple, cada trmino de la regresin est dividido (es decir, ponderado) por la variable independiente (por ejemplo, X 2) que se cree que est asociada con el termino del error, por lo que tenemos

Ecuacin 2

En la ecuacin 2, el punto de corte inicial, b 0,se a convertido en una variable, mientras que b 2 se ha convertido en nuevo punto de corte. Podemos determinar visual mente si es X2i o si es X1i la variable que est relacionada con u i dibujando X2i o X1i frente a los residuos, ei AUTOCORRELACION 1. Qu se quiere decir por autocorrelacin? La autocorrelacin o correlacin serial hace referencia al caso en el que el termino de error de un periodo esta correlacionado con el termino de error cualquiera otro periodo. Si el termino de error de un periodo esta correlacionado con el termino de error del periodo anterior, estamos ante un casi de autocorrelacin de primer orden. La autocorrelacin positiva de primer orden significa que Eutut-1 > 0, violando as el cuarto supuesto del modelo MCO. Este problema es frecuente en el anlisis de series temporales.

2. Dibuje un grfico que muestre una autocorrelacin positiva y negativa de primer orden.

La figurada A muestra una autocorrelacin positiva de primer orden cuando variaos residuos consecutivos tiene el mismo signo y la B muestra una autocorrelacin de negativa de primer orden cuando los signos de los residuos consecutivos cambia el signo frecuentemente. 3. Por qu es un problema la autocorrelacin? En presencia de autocorrelacin, las estimaciones MCO de los parmetros siguen siendo sesgadas y consistentes, pero los errores estndar de los parmetros estimados de la regresin son sesgadas, lo que da lugar a la contrastaciones estadsticas incorrectas y a intervalos de confianza sesgados. Los errores estndar de los parmetros estimados de la regresin estn sesgados hacia abajo, exagerando as la precisin y la significatividad estadstica de los parmetros estimados de la regresin. 4. Cmo se contrasta la existencia de autocorrelacin positiva o negativa de primer orden? ( )

El valor calculado de d oscila entre 0 y 4, no habiendo autocorrelacin cuando d esta en torno a 2. Los valores de d indican la presencia o ausencia de autocorrelacin positiva o negativa de primer orden y los valores para los que la contrastacin no es concluyente.
10

Cuando la variable dependiente retardada aparece como variable explicativa de la regresin, d esta sesgado hacia 2 y su poder de deteccin de la autocorrelacin se ve limitado.

5. Cmo se puede corregir la autocorrelacin? Un mtodo para corregir la autocorrelacin positiva de primer orden implica hacer primer una regresin de Y sobre sus valores retardados un periodo, sobre la variable explicativa del modelo, y sobre la variable explicativa retardada un periodo. Ecuacin 1 ( )

El segundo paso implica utilizar el valor de calculado en la ecuacin 1 para transformar todas las variables del modelo inicial MCO. Ecuacin 2 ( ) ( )

Este procedimiento, conocido como el Mtodo de dos etapas de Durbin, es un ejemplo de mnimos cuadrados generalizados. Si la autocorrelacin se debe a la omisin de una variable importante, a una forma funcional incorrecta, o a una inadecuada especificacin del modelo, habr que suprimir primer estos problemas, antes de aplicar el procedimiento correctivo de la autocorrelacin. ERRORES EN LAS VARIABLES 1. Qu se quiere decir por errores en las variables? Los errores en las variables hacen referencia al caso en el que las variables del modelo de regresin incluyen errores de medicin.

11

2. Qu problemas crean los errores en las variables? Los errores de medicin de las variables dependientes se incorporan al termino de perturbaciones, por lo que se obtienen estimaciones de los parmetros MCO que son insesgados y consistentes (aunque ineficientes o con una varianza superior a la varianza mnima), cuando existen errores de medicin en la variables explicativas se incumple el quinto supuesto del modelo MCO sobre la independiente de las variables explicativas de error. Los parmetros inconsistentes y sesgadas en una regresin simple tiene un sesgo hacia abajo mientras que tendr sesgo hacia arriba. 3. Hay alguna contrastacin para detectar la presencia de errores en las variables? No hay una contrastacin formal para detectar la presencia de errores en las variables. 4. Cmo se puede corregir los problemas generados por la existencia de errores en las variables? Un mtodo de obtener estimaciones consistentes MCO est en sustituir la variable explicativa sujeta a los errores de medicin con otra variable explicativa que est muy correlacionada. La variable instrumental ms popular es el valor retardado de la variable explicativa en cuestin, son estimadores consistentes del punto de corte y de la pendiente de la regresin de Yt sobre Xt

MODELO DE ECUACIONES SIMULTNEAS 1. Qu se quiere decir por modelo o sistema de ecuaciones simultneas? Un modelo o sistema de ecuaciones simultneas hace referencia al caso en el que la variable dependiente en una o ms ecuaciones tambin es una variable explicativa en alguna otra ecuacin del sistema. Concretamente, no solo las Y estn determinadas por las X, sino que algunas X estn, a su vez, determinadas por la Y, de forma que las Y y las X estn determinadas conjunta o simultneamente. 2. Qu se quiere decir por variables endgenas? Las variables endgenas son variables dependientes en el sistema de ecuaciones simultneas. Se trata de variables que estn determinadas por el sistema, a pesar de que tambin aparezcan como variables explicativas en alguna otra ecuacin del sistema.

12

3. Qu se quiere decir por variables exgenas? Son aquellas variables que se determinan fuera del modelo. Tambin incluyen variables endgenas retardadas, puesto que sus valores ya son conocidos en un determinado periodo. Las variables exgenas y las variables endgenas retardadas se conocen a veces como variables predeterminadas 4. Qu se quiere decir por ecuaciones estructurales? Ecuaciones estructurales o comportamentales describen la estructura de una economa o el comportamiento de algunos agentes econmicos como los consumidores o los productores. Existe una ecuacin estructural por cada variable endgena. Los coeficientes de las ecuaciones estructurales se conocen como parmetros estructurales y reflejan el efecto directo de cada variable explicativa sobre la variable dependiente. 5. Qu se quiere decir por sesgo de ecuaciones simultneas? Hace referencia a las sobreestimacin o subestimacin de los parmetros estructurales obtenidos mediante la aplicacin de MCO a las ecuaciones estructurales del modelo de ecuaciones simultneas, este sesgo se produce porque aquellas variables endgenas del sistema que tambin son variables explicativas estn correlacionadas con los trminos de error, incumpliendo as el quinto supuesto del mtodo MCO 6. Qu se quiere decir por ecuaciones en forma reducida? Se obtienen resolviendo el sistema de ecuaciones estructurales de forma que se exprese cada variable endgena del sistema como una funcin nicamente de las variables exgenas o predeterminadas del sistema. Puesto que las variables exgenas del sistema no estn correlacionadas con los trminos de error, el mtodo MCO ofrece estimadores consistentes de la parmetros en forma reducida. Estos estimadores miden los efectos totales directos e indirectos de un cambio de variables exgenas sobre las variables endgenas y pueden utilizarse para obtener parmetros estructurales consistentes.

13