Regresiones Espurias en Economía 2012 Final

Regresiones
Espurias en
Economa
C.W.J. Granger, P. Newbold
(1973)
Organizacin y contenidos:
1. Introduccin-Elementos iniciales
2. Algunos resultados tericos en el anlisis de
series de tiempo
3. Cmo se obtienen regresiones sin sentido?
4. Algunos resultados de simulacin
5. Discusin y conclusiones.
2
Antecedentes y trabajo posteriores
Regresiones Espurias en Economa C.W.J.
Granger - P. Newbold
3
Introduccin-Elementos iniciales

Regresiones Espurias en Economa
C.W.J. Granger - P. Newbold

Elementos iniciales:
Es frecuente en economa ver expuesta en la
literatura economtrica de series de tiempo
regresiones con un aparente alto grado de
2
o de
2
, pero con valores extremadamente bajos de
Durbin-Watson.

Es comn que los investigadores econmicos avalen
modelos espurios (Box y Newbold, 1971). En
particular cuando no se tiene suficiente cuidado en
la formulacin de la estructura de autocorrelacin
de los errores de la ecuacin de regresin.
5
Regresiones Espurias en Economa C.W.J. Granger - P. Newbold
Elementos iniciales:
Como es bien conocido existen tres
consecuencias de los errores de autocorrelacin
en el anlisis de regresin.

1. La estimacin de los coeficientes de regresin son
ineficientes.
2. Las predicciones basadas en las ecuaciones de
regresin son sub ptimas.
3. Las pruebas usuales de significacin de los
coeficientes son invlidas.

Algunos resultados del anlisis de series de tiempo

Algunos resultados del anlisis de series de
tiempo:
Sea
una serie de tiempo estacionaria, con el proceso

combinado autoregresivo y de media mvil , o (, ):

=
1
1
++
1

1
1

1
1

,con
independientemente e idnticamente distribuida

(0,
2
).

8
(1)
(2)
tiempo:
9
Las races del polinomio
satisfacen la condicin
>
1, = 1, , . De manera que el proceso (, ) se puede
escribir como un :

Las races del polinomio
satisfacen la condicin

> 1, = 1, , . De manera que el proceso (, ) se

puede escribir como un :

tiempo:
Suponga ahora que se tiene una serie de tiempo
dada
. Box y Jenkins (1970) recomiendan

diferenciar la serie para conseguir un proceso
estocstico estacionario:

Combinando a las ecuaciones (2) y (3), se representa
a un proceso autoregresivo integrado de media
mvil (, , ).

10
(3)
(4)
Algunos resultados del anlisis
de series de tiempo:
C.W.J. Granger - P. Newbold 11

1. Las series econmicas se
caracterizan por una elevada
correlacin serial,
especialmente en muestras
pequeas, semanas o das.

2. Muchas series econmicas
son bastante suavizadas, la
magnitud de sus cambios
entre sus trminos finales e
iniciales son pequeos.

tiempo:
Hay una buena cantidad de pruebas que sugieren que
frecuentemente un valor apropiado para es 1 . (Granger, 1966).

La caminata aleatoria es un buen ejemplo del tipo de series que se
utilizan en el documento :
. El proceso integrado de media

mvil provee tambin buenas representaciones para los problemas
que se desean resaltar:

1
.

Por otra parte, si es igual a cero se esperara que sea cercana a la
unidad, es decir nos enfrentamos a un procesos no estacionario, con
importantes repercusiones en el anlisis.

12
(4)
Aplicaciones en R
R es un paquete estadstico, a la ves que un lenguaje de programacin, lo
cual lo hace muy verstil.

Dentro de los lenguajes de programacin se puede clasificar como un
lenguaje orientado a objetos de tipo interpretado. Lo que ofrece una gran
flexibilidad, una gran potencia y un tiempo de aprendizaje corto.

Actualmente se encuentran disponibles ms de 800 paquetes desarrollados en
R, que cubren una amplia gama de campos desde aplicaciones Bayesianas,
financieras, graficacin de mapas, wavelets, anlisis de datos espaciales, etc.

R se distribuye gratuitamente bajo los trminos de la GNU General Public
Licence.

R ofrece una librera especializada
en series de tiempo : dynlm y otras
en anlisis economtrico como
zoo, ts o stats.
Aplicaciones en R
Cmo se obtienen regresiones sin
sentido?


Cmo se obtienen regresiones sin sentido?

Consideremos el modelo usual de regresin lineal con
regresores estocsticos

= +

Se asumen a las generalidades = 0 y =
2

Se plantea la hiptesis nula sobre la no existencia de cualquier
clase de poder explicativo de las variables independientes en
la variacin de la variable dependiente:

:
1
=
2
= =
1
= 0

16
(5)
() () () ()
El estadstico utilizado corresponde a una prueba F, que es
comparado con los valores en tablas de la distribucin de Fisher,
con (K-1) y (T-K) grados de libertad.

=

1
=
2
1
2

Sin duda es posible, cualquiera que sean las propiedades
individuales de las series de tiempo, que existiesen algunas tal
que = , satisfaga = 0 y =
2
.

Sin embargo, en la medida que Y
no sea un proceso ruido blanco

la
no puede ser rechazada

17

Ahora supongamos que la hiptesis nula es
rechazada intentamos ajustar una regresin de la
forma = +. Supongamos adems, que son
series econmicas al nivel no estacionaria, en un
caso extremo altamente auto correlacionadas.

En este escenario la prueba F descrita
anteriormente no funciona. Ya que la prueba
no sigue una distribucin de Fisher, es
divergente en sus colas.

18

Esto se deduce ya que bajo esa hiptesis el residuo
, tendr las mismas propiedades de auto

correlacin que las series
.

Para el proceso simplificado de
+
1

con

=
1
+
1
+

La medida de ajuste
es simplemente el cuadrado
del coeficiente de correlacin ordinario de la
muestra entre ambas.

19

De acuerdo a Kendall(1954):

=
1
1+

Como R est restringida a caer entre (-1,1), si su varianza
es mayor que 1/3 entonces su distribucin no es
unimodal en cero, no es una distribucin concentrada.

En la medida que el nmero de observaciones crece la
varianza de R disminuir. Consecuentemente
se
acercar a uno sin que exista necesariamente una
verdadera relacin causal.

20

Por lo tanto, valores elevados de
2
, no deben
ser considerados como evidencia significativa de
relacin si las variables presentan
autocorrelacin.
Asimismo, un valor bajo de d, sugiere
fuertemente que no existe un , tal que de
= + satisfaga =
2
.

Estos problemas surgen principalmente al
relacionar series de tiempo al nivel.

21
Algunos resultados de simulacin


De manera preliminar se estima a:

+
1
fueron generadas como caminatas aleatorias

independientes con un tamao muestral de 50 observaciones.

Se obtiene el estadstico t, a un nivel de confianza del 5% para
cien simulaciones.

=

23

24
Regresin de dos caminatas aleatorias independientes
1. La hiptesis nula puede ser rechazada errneamente en los de
todas la ocasiones.
2. Si
1
se distribuye con una (0,1), el valor esperado sera
2/ 0.8 , no obstante, el valor promedio observado de las pruebas
fue 4.5, que sugiere que el valor promedio de la prueba tiene un factor
errneo de 5.6.
Aplicaciones en R
La segunda simulacin es ms exhaustiva, regresiones de m=5
series explicativas independientes.

Los modelos utilizados son :

i. caminatas aleatorias,
ii. Procesos ruido blanco
iii. ARIMA(0,1,1),
iv. Media mvil integrada de primer orden.

= 100,
=
1
+
,0
= 100,
,
=
,1
+
,
,
,
=
,1
+
,
;

,
,
,
,
,

0,1 . = 0 , = 1 .

26
Todos los trminos de
error se distribuyeron
como una normal N(0,1),
el proceso ARIMA fue
derivado como la suma
de una caminata aleatoria
y ruido blanco
independientes.
De manera preliminar se estima a:

+
1
fueron generadas como caminatas aleatorias

independientes con un tamao muestral de 50 observaciones.

Se obtiene el estadstico t, a un nivel de confianza del 5% para
cien simulaciones.

=

27

28
Hiptesis nula al 5% de
nivel de confianza.
El resultado de la simulacin muestra que la
probabilidad de aceptar
la hiptesis de no relacin se
convierte pequea en la medida que se incrementa el
nmero de explicativas, para el caso de las caminatas
aleatorias y los procesos ARIMA(0,1,1).
Con las series ruido blanco, en el comportamiento de los
MCO ordinarios es eficiente, debido a que el error de las
series es ruido blanco.
Es la regla ms que la excepcin encontrar relaciones
espurias con un bajo nivel de Durbin-Watson y un valor
elevado de
2
o
2
.

29
Aplicaciones
en R
Aplicaciones
en R
Aplicaciones
en R
Discusin y conclusiones


Es bien conocido que si se realiza una regresin y
sus residuos estn fuertemente correlacionados
existen importantes problemas de interpretacin.
Muchos trabajos no consideran advertencias
tempranas en sus regresiones.

Un bajo nivel de Durbin Watson, indicativo de
residuos altamente correlacionados la nica
informacin que nos puede proporcionar es, es
sobre la mala especificacin de la ecuacin de
regresin.

34
Cmo se produce una mala especificacin?

1. Omisin de variables relevantes.
2. Inclusin de variables irrelevantes.
3. Residuos auto correlacionados.

Recomendaciones:

Inclusin de la variable dependiente rezagada, tomar la
primera diferencia de las variables, o asumir una forma
auto regresiva para el error de la ecuacin.

35

Granger y Newbold, sobresaltan que las propiedades de las
series de tiempo no pueden ser subestimadas, en
consideracin de las caractersticas de las variables
econmicas.

Un procedimiento con buenos resultados, es el de tomar las
primeras diferencias de todas las variables de una ejercicio
de regresin, que parezca tener auto correlacin.

Obteniendo primeras diferencias es ms difcil que no nos
dejemos engaar por correlaciones espurias.

36

37
Teora Econmica
2
elevado sin
otras
consideraciones
Alta probabilidad
de regresiones
espurias
En la prctica la mayora de
teoras econmicas son
insuficientes.

Las imprecisiones son
recurrentes en la estructura de
los rezagos y en las
propiedades estadsticas de las
series de tiempo.

Para el anlisis de series de tiempo una
buena teora es aquella que provee una
estructura al modelo de tal forma que los
errores de la ecuacin ajustada sean ruido
blanco, es decir que no puedan ser
explicadas por otras variables
econmicas.
Understanding Spurious Regressions
in Econometrics

P.C.B. Phillips (1986)

Marco general
Phillips elabora una justificacin terica, desde una
perspectiva asinttica, de los resultados de Granger y
Newbold(1974) sobre regresiones espurias, as como
para los avances en regresiones de cointegracin de
Granger y Engle(1985).

El anlisis de Granger y Newbold(1974) consiste en un
ejercicio principalmente de simulacin que hace
nfasis en la autocorrelacin serial de los residuos, sin
mayores extensiones tericas.
39
Understanding Spurious Regressions in Econometrics, P.C.B. Phillips (1986)
,
Teora asinttica para regresiones
espurias
Se parte de un entorno similar al propuesto por
Granger y Newwald(1974).

= +
= 1, ,

=
1
+
,

=
1
+
= 1,2,

En donde
es iid 0,
2
y
es iid 0,
2

40
,
(i)
(ii)
espurias
Phillips generaliza el planteamiento anterior, y
propone una secuencia de n-vectores aleatorios
1

con un proceso de suma parcial
=1
,
0
= 0
= 0 .

En el contexto de Granger y Newbold(1974)
donde
son independientes y satisfacen:

41
,
(iii)
espurias
Lema I) Si
1
son generados por (ii) y si

1

y
1
son independientes y satisfacen (iii) entonces ,

una adecuada estandarizacin de
1

converge dbilmente a un proceso Browniano.

42
,
espurias
43
,
espurias
44
,
Parmetros espurios, resultados de
procesos Bronwnianos independientes
45
,
Parmetros espurios, resultados de
procesos Bronwnianos independientes
46
,
Ajustes engaosos
47
,
Durbin-Watson autocorrelacionado
48
,
Fuentes:
Granger, C.W.J. and Newbold, P. (1974):
Spurious Regressions in Econometrics,
Journal of Econometrics 2, 111120.

Phillips, P.C.B. (1986), Understanding Spurious
Regressions in Econometrics, Journal of
Econometrics 33, 311340.
49

Regresiones Espurias en Economía 2012 Final

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Regresiones Espurias en Economía 2012 Final

Hochgeladen von

Copyright:

Verfügbare Formate

Regresiones

una serie de tiempo estacionaria, con el proceso

independientemente e idnticamente distribuida

> 1, = 1, , . De manera que el proceso (, ) se

. Box y Jenkins (1970) recomiendan

. El proceso integrado de media

no sea un proceso ruido blanco

no puede ser rechazada

, tendr las mismas propiedades de auto

fueron generadas como caminatas aleatorias

fueron generadas como caminatas aleatorias

son independientes y satisfacen:

son generados por (ii) y si

son independientes y satisfacen (iii) entonces ,

Das könnte Ihnen auch gefallen