Facultad de

Ciencias
Econmicas
Econometra I
Anlisis de supuestos
Mag. Beatriz Castaeda
2009-1
Modelos con variables cualitativas
1. El nivel de los salarios depende de la edad, experiencia en el rea,
gnero, nivel de instruccin.
2. El precio de venta o alquiler de una casa o local depende de sus
dimensiones, rea construida, zona de ubicacin, servicios e
instalaciones.
3. Demanda de un bien suntuario depende del ingreso, precio,
estabilidad poltica en el pas.
En el anlisis de la relacin estructural entre las variables econmicas,
encontramos que adems de variables cuantitativas, en algunos
casos, la variable dependiente se ve impactada por variables de
naturaleza categrica o cualitativa, como por ejemplo:

Modelos con variables cualitativas
Para evaluar el impacto de stas variables, se definen variables cuantitativas
artificiales denominadas dummy , dicotmicas o binarias.
Gnero: femenino, masculino Variable: Sexo (1 = masculino, 0= femenino)
Zona: Norte, Centro, Sur
Variables:
Norte (1= zona norte, 0= otra zona
Centro (1= zona centro, 0= otra zona
Norte=0 y Centro =0 zona sur
Impacto de la omisin de variables
categricas en el modelo

















y
A
y
B
y
Y
X


















y
A
y
B
y
Y
X


















y
A
y
B
y
Y
X



Error en la estimacin del
efecto de las variables
cuantitativas

Oculta la relacin

Genera relacin artificial

Y: Precio de alquiler
X: Superficie
Zona: A , B
Especificacin del modelo
1. Efecto aditivo o diferencial.
Cuando se asume que el efecto de las v. cuantitativas es el mismo para
todos los grupos definidos por las categoras de la v. categrica.
i i i
Zona X Y c | | | + + + =
3 2 1
Zona: 0=Zona A, 1=Zona B

i i i
X Y A Zona la en est Si c | | + + =
2 1
i i i
X Y B zona la en est Si c | | | + + + =
2 3 1
,

3
indica el efecto diferencial por la zona, esto es, el cambio en el precio
medio que produce la zona B sobre la A
H
0
:
3
= 0
No hay efecto de la zona sobre el precio de alquiler
a. Tener en cuenta la diferencia en el nivel medio de respuesta
debido al atributo para igualdad de valores X
b. Estimar ptimamente el efecto de las variables cuantitativas X,
utilizando toda la informacin disponible
La inclusin de las variables dummy permite:
i i i
B Zona A Zona X Y c | | | | + + + + =
4 3 2 1
Sean 3 zonas A, B y C, entonces definimos 2 variables dummy

Zona A: 1=Zona A, 0= otra zona

Zona B: 1=Zona B, 0= otra zona

i i i
X Y C Zona c | | + + =
2 1
i i i
X Y B Zona c | | | + + + =
2 4 1
,
i i i
X Y A Zona c | | | + + + =
2 3 1
,
(
(
(
(
(
(
(
(
(
(
(
(

=
0 0 1
0 0 1
1 0 1
1 0 1
0 1 1
0 1 1
1
n
X
X
X
X
X
X
X
... ... ... ...
... ... ... ...
... ... ... ...
A
B
C
i i i
B Zona A Zona X Y c | | | | + + + + =
4 3 2 1

3
indica el efecto diferencial de la zona A frente a la C

3

4
indica el efecto diferencial de la zona A frente a la B
H
0
:
3
= 0 y
4
= 0
No hay efecto de la zona sobre el precio de alquiler
H
0
:
3
-
4
= 0
No hay efecto diferencial de la zona A frente a la zona B , sobre el precio
medio de alquiler
2. Efecto multiplicativo o interactivo.
Cuando se asume que el efecto de las v. cuantitativas cambia para los
grupos definidos por las categoras de la v. categrica.
i i i i
X Zona X Y c | | | + + + = *
3 2 1
Zona: 0=Zona A, 1=Zona B

i i i
X Y A Zona c | | + + =
2 1
i i i
X Y B Zona c | | | + + + = ) ( ,
3 2 1

3
indica el cambio en el efecto de la variable superficie sobre el precio de
alquiler al pasar de la zona A a la B
H
0
:
3
= 0
No hay efecto de la zona sobre el precio de alquiler
X
Y
A
Y

B
Y

2. Efecto multiplicativo o interactivo con las v. cuantitativas

Cuando se asume que el efecto de las v. cuantitativas cambia para los
grupos definidos por las categoras de la v. categrica.
i i i i
X Zona X Y c | | | + + + = *
3 2 1
Zona: 0=Zona A, 1=Zona B

i i i
X Y A Zona c | | + + =
2 1
i i i
X Y B Zona c | | | + + + = ) ( ,
3 2 1
X
Y
A
Y

B
Y

(
(
(
(
(
(
(
(

=
x x
x x
x
x
X
1
1
0 1
0 1
... ... ...
... ... ...
A
B
3. Efecto multiplicativo o interactivo entre variables cualitativas
Cuando se asume que hay interaccin en el efecto de dos o ms
variables cualitativas.
i i i
X I G I G Y c | | | | | + + + + + =
5 4 3 2 1
*
G: 0=mujer , 1=varn

i i i
X Y inst con Varn c | | | | | + + + + + =
5 4 3 2 1
) ( . sup .
X
Y
A
Y

B
Y

(
(
(
(

=
X
X
X
X
X
1 1 1 1
0 1 0 1
0 0 1 1
0 0 0 1
Y: salario

X: Experiencia laboral

I: 0= sin inst. superior
1= con inst. superior

Mujer sin inst. sup
Mujer con inst. sup
Varn sin inst. sup
Varn con inst. sup
Anlisis de Cambio o quiebre estructural
Las polticas econmicas, el cambio tecnolgico, u otros eventos de impacto
social, ocurridos en el tiempo pueden ocasionar un cambio en la estructura de
la relacin entre la variable dependiente y las variables independientes.
| | | = =
2 1 0
: H
Sean m1 y m2 muestras observadas en dos periodos
2 1 0
| | = : H
c | +
(

=
(

2
1
2
1
X
X
Y
Y
(

+
(

=
(

2
1
2
1
2
1
2
1
0
0
c
c
|
|
X
X
Y
Y
MR MSR
) , ( ' '
' '
) /( ) (
/ )] ( [
) /( ) (
/ )] ( ) ( [
k T k
F es
k T e e e e
k e e e e e e
k T MSR SCE
K MSR SCE MR SCE
F
2
2 2 1 1
2 2 1 1
2 2

+
+
=

=
Test de Chow - Punto de quiebre
No hay cambio Hay cambio estructural
Ejemplo
2100
2000
300
2100 300
300 50
50
1 1 1 1 1 1 1
=
(

=
(

= = Y Y Y X X X T
' ' '
2500
2200
300
2000 300
300 50
50
2 2 2 2 2 2 2
=
(

=
(

= = Y Y Y X X X T
' ' '
Analizar si existe quiebre estructural entre los
periodos correspondientes a las muestras
T t para X Y
t t t
, , 1
2 1
= + + = c | |
Modelo Restringido
4600
4200
600
4600 600
600 100
100 =
(

=
(

= = Y Y Y X X X T
' ' '
640 3960 4600 = = ) (MR SCE
(

=
6 0
4 2
,
,

|
T t para X X Y
t t t t
, , 1
2 22 12 1 21 11
= + + + + = c | | | |
Modelo sin Restriccin
4600
2200
300
2000
300
2500 300 0 0
300 50 0 0
0 0 2100 300
0 0 300 50
=
(
(
(
(

=
(
(
(
(

= Y Y Y X X X
' ' '
095 638 05 3961 4600 , , ) ( = = MSR SCE
(
(
(
(

=
57 0
57 2
67 0
2
,
,
,

|
905 3961 57 2028 33 1933
2 2 1 1
. , ,
' '
= + = + e e e e
1433 0
96 095 638
2 095 638 640
,
/ ,
/ ) , (
=

= F
0,05
) , ( 96 2
F
09 3.
Anlisis de Cambio o quiebre estructural
l estructura cambio hay No H :
0
Se aplica cuando el punto de quiebre es cercano al final del periodo
muestral y no se cuenta con informacin suficiente para estimar el segundo
modelo. Compara la suma de cuadrados del modelo restringido estimado con
toda la muestra con la suma de cuadrados del modelo estimado con la
primera parte.
Test de Chow - Predictivo
) , (
1 1
2 1
1 2
) /( ) (
/ )] ( ) ( [
k T T
F
k T T SCE
T T SCE T SCE
F

~

=
Quiebre estructural - Anlisis recursivos
1. Residuos recursivos
1
=
t t t t
x Y e |

'
Residuo de la prediccin de Y
t
obtenida con los coeficientes estimados
hasta el periodo t-1
T k t
x X X x
e
w o normalizad residuo
t t t t
t
t
..., , ;
) (
' '
1
1
1 1
+ =
+
=

Si c
t
es normal, entonces w
t
es normal N(0, oc)
-6
-4
-2
0
2
4
1996 1997 1998 1999 2000
Recursi ve Resi dual s 2 S.E.
Este grfico presenta los residuos
recursivos normalizados , el cual
evidencia la existencia de un quiebre
estructural que se inicia a mediados
del ao 98, fecha en la que los
residuos salen de las bandas, adems
de que las bandas de confianza se
ensanchan
Quiebre estructural - Anlisis recursivos
2. Prueba Cusum
Esta prueba se basa en la suma acumulada de los residuos normalizados. Si
la grfica de los residuos permanece dentro de las bandas , indica estabilidad
Si el modelo es estable E(W
t
) = 0
Este grfico evidencia la existencia de
un quiebre estructural, aunque los
valores salen de las bandas a
mediados del ao 99, podemos
apreciar que la dinmica a de los
residuos cambia a mediados del ao
98.
Esta prueba es dbil en el sentido de
que si los errores muestran signos
contrarios, se podran compensar
muestra la toda de S T k t w W
e
t
k r
r t
= + = =

+ =
o
o

; ..., , 1 ;

1
1
-40
-20
0
20
40
1996 1997 1998 1999 2000
CUSUM 5% Si gni fi cance
Quiebre estructural - Anlisis recursivos
3. Prueba Cusum cuadrado
Esta prueba se basa en la suma acumulada de los residuos normalizados al
cuadrado.
Este grfico evidencia la existencia de
un quiebre estructural.
La fecha probable de quiebre es en el
entorno del punto ms alejado de las
bandas o aquel donde cambia la
dinmica del estadstico, aprox. a
mediados del 98.
T k t
w
w
S
T
k r
r
t
k r
r
t
..., , 1 ;
1
2
1
2
+ = =

+ =
+ =
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1996 1997 1998 1999 2000
CUSUM of Squares 5% Significance
Si el modelo es estable E(St) =( t-k) / (T-k)
Quiebre estructural - Anlisis recursivos
4. Test predictivo de un periodo
Esta prueba se basa en los residuos recursivos y el nivel de
significancia de la prueba T para la hiptesis de estabilidad con el
pronstico de la observacin t, dada la informacin hasta t-1
Este grfico evidencia la existencia de un quiebre estructural.
La fecha probable de quiebre es aproximadamente a mediados del 98.
0.15
0.10
0.05
0.00
-6
-4
-2
0
2
4
1996 1997 1998 1999 2000
One-Step Probability Recursive Residuals
Nivel de
significancia
Prueba T

t
e
t
S
e
T =
d estabilida Hay H :
0
Quiebre estructural - Anlisis recursivos
5. Test predictivo de n periodos
Esta prueba se basa en los residuos y el nivel de significancia de la
prueba F para la hiptesis de estabilidad con los pronsticos de las
observaciones t hasta T, dada la informacin hasta t-1
Menor significancia implica mayor discrepancia entre el modelo para la primera muestra (T1) con
el modelo para la muestra total (T). La presencia de quiebre se evidencia cuando la probabilidad
es cercana a cero hasta t y luego la probabilidad va en aumento conforme se incorporen datos
del segundo proceso generador de datos
Nivel de
significancia
Prueba F

d estabilida Hay H :
0
) , (
1 1
2 1
1 2
) /( ) (
/ )] ( ) ( [
k T T
F
k T T SCE
T T SCE T SCE
F

~

=
.00
.05
.10
.15
-6
-4
-2
0
2
4
1995 1996 1997 1998 1999 2000
N-Step Probability Recursive Residuals
Quiebre estructural - Anlisis recursivos
6. Test coeficientes recursivos
Estima los coeficientes del modelo de manera recursiva, si el modelo es estable las
estimaciones de los coeficientes deben tender a ser convergentes y la varianza del
estimador tiende a reducirse, conforme crece la muestra.
2.4
2.8
3.2
3.6
4.0
4.4
1996 1997 1998 1999 2000
Rec urs i v e C(1) Es ti mates 2 S.E.
1.65
1.70
1.75
1.80
1.85
1.90
1.95
1996 1997 1998 1999 2000
Rec urs i v e C(2) Es ti mates 2 S.E.
-2.4
-2.3
-2.2
-2.1
-2.0
-1.9
-1.8
-1.7
1996 1997 1998 1999 2000
Rec urs i v e C(3) Es ti mates 2 S.E.
Modelos con variables rezagadas
Variable rezagada: Variable incluida en el modelo cuyos valores corresponden
a periodos anteriores al periodo indicado para la variable dependiente.
Razones para la inclusin de variables rezagadas
1. El impacto de una variable sobre otra slo se deja notar despus de
cierto tiempo.
2. El impacto aunque sea instantneo, se deja notar durante un cierto
nmero de periodos.
3. Ambas cosas a la vez.
4. Muchas variables econmicas tienen inercia, lo que hace que una
variable dependa de su propio pasado.
Dado el modelo
t t t t t
x x x y c | | | o + + + + =
2 2 1 1 0
2
2
1
1
0
| | | =
c
c
=
c
c
=
c
c
+ +
t
t
t
t
t
t
x
y
x
y
x
y
, ,
:
0
|
El cambio en Y, de corto plazo, ante un cambio de X en el periodo t
:
2
0

= i
i
|
El cambio o respuesta de Y a largo plazo, ante un cambio de X en el
periodo t
Modelo con nmero de rezagos finitos
t q t q t t t t
x x x x y c | | | | o + + + + + + =

...
2 2 1 1 0
t t t t t
x x x y c | | | o + + + + =
2 1
25 . 0 5 . 0
2
1
1
=
i
i
|
|
Dado el modelo
1) Si se cumplen los supuesto del modelo lineal clsico, se aplica MCO
para la estimacin de los coeficientes.
I. Si q es conocido
2) Si X
t
y sus rezagos est correlacionada con sus rezagos, para evitar el
problema de multicolinealidad se puede asumir algn criterio particular:
a) Ponderaciones proporcionales
, si asumimos Ejem. sea:
t t t t t
x x x y c | | | o + + + + =
2 2 1 1 0
2 1
25 . 0 5 . 0

+ + = + + =
t t t t t t t
x x x z donde z y c | o
Luego por MCO se estima los coeficientes en el modelo transformado
Modelo con nmero de rezagos finitos
t q t q t t t t
x x x x y c | | | | o + + + + + + =

...
2 2 1 1 0
t t t t t t t
x x x x x y c | | | | | o + + + + + + =
4 3 2 1
2 3 4 5
q i i q
i
s s + = 0 , ) 1 ( | |
Dado el modelo
b) Ponderaciones con distribucin aritmtica
Sea:

+ =
=

q
i
i t t
x i q z donde
0
) 1 (
Luego por MCO se estima los coeficientes en el modelo transformado
t t t
z y c | o + + =
Ejem. Si q = 4
Modelo con nmero de rezagos finitos
t q t q t t t t
x x x x y c | | | | o + + + + + + =

...
2 2 1 1 0
t t t
t t t t t t t t
x x
x x x x x x x y
c | |
| | | | | | | o
+ + +
+ + + + + + + =


8 7
6 5 4 3 2 1
2
3 4 5 4 3 2

s s + +
s s +
=
q i q si i q
q i si i
i
1 2 / , ) 1 (
2 / 0 , ) 1 (
|
|
|
Dado el modelo
c) Ponderaciones con distribucin simtrica en V invertida (DELEEUW)
Sea:
Luego por MCO se estima los coeficientes en el modelo transformado
t t t
z y c | o + + =
Ejem. Si q = 8
Modelo con nmero de rezagos finitos
t q t q t t t t
x x x x y c | | | | o + + + + + + =

...
2 2 1 1 0
t t t
t t t t t
x a a a a x a a a a
x a a a a x a a a a x a a a a x a y
c
o
+ + + + + + + + +
+ + + + + + + + + + + + + =


5 3 2 1 0 4 3 2 1 0
3 3 2 1 0 2 3 2 1 0 1 3 2 1 0 0
) 125 25 5 ( ) 64 16 4 (
) 27 9 3 ( ) 8 4 2 ( ) (
r
r i
i a i a i a a + + + + = ...
2
2 1 0
|
Dado el modelo
d) Ponderaciones con rezagos polinomiales o modelo de Almon
Ejem.
Sea r=3 y
k = 5
Usualmente r s 4
0 0
a = | 3 2 1 0 1
a a a a + + + = |
3 2 1 0 2
8 4 2 a a a a + + + = |
3 2 1 0 3
27 9 3 a a a a + + + = |
3 2 1 0 4
64 16 4 a a a a + + + = |
3 2 1 0 5
125 25 5 a a a a + + + = |
t t t t t t
t i t i t i t i t t
z a z a z a z a y entonces
x i a x i a x i a x a y
c o
c o
+ + + + + =
+ + + + + =


3 3 2 2 1 1 0 0
5
0
3
3
5
0
2
2
5
0
1
5
0
0
) ( ) ( ) ( ) (
Modelo con nmero de rezagos finitos
Dado el modelo
t q t q t t t t
x x x x y c | | | | o + + + + + + =

...
2 2 1 1 0
II. Si q es desconocido se puede aplicar el mtodo de Alt y Timbergen
Por MCO se estima el modelo iniciando con la variable actual (x
t
),
adicionando rezagos en forma sucesiva. El proceso termina cuando:
+El coeficiente del ltimo rezago sea no significativo (prueba t)
+El coeficiente cambia de signo en 2 estimaciones sucesivas
Ejemplo:
1. y
t
= 4 + 0,12 x
t

2. y
t
= 4,1 + 0,11 x
t
+ 0,8 x
t-1

3. y
t
= 3,9 + 0,10 x
t
+ 0,84 x
t-1
0,5 x
t-2

4. y
t
= 4,2 + 0,09 x
t
+ 0,72 x
t-1
+ 0,8 x
t-2
+0,06 x
t-3

Modelo:
y
t
= 4,1 + 0,11 x
t
+ 0,8 x
t-1

Modelo con rezagos infinitos
t t t t t
x x x y c | | | o + + + + + =

...
2 2 1 1 0

|
|
| |

=
< < =

1
1 0 ,
0
0
0
i
i
i
entonces
t t t t t
x x x y c | | | o + + + + + =

...
2
2
0 1 0 0
Dado el modelo
El problema que se genera es que se hace imposible estimar directamente el
modelo, por lo que es imprescindible imponer alguna restriccin a los
coeficientes, para reducir el n de parmetros a estimar.
Modelo de Koyck (decrecimiento geomtrico)
1 3
3
0 2
2
0 1 0 1
...

+ + + + + =
t t t t t
x x x y c | | | o
Luego
1 0 1
) 1 (

+ + =
t t t t t
x y y c c | o
t t t t
v y x y + + + =
1 0
) 1 ( | o
Por consiguiente el
modelo simplificado
Heterocedasticidad y/o
autocorrelacin
I V con V V y E X Y = = = + = ; ) ( 0 ) ( ,
2
o c c c |
1 ; ) (
2
= =
ii ii i
v v V o c
Y X X X
MCO
) (

1
= |
Dado el modelo
Puede ocurrir que:
la varianza no es constante (es heterocedstica)
+
0 ; ) , (
2
= =
ij ij j i
v v C o c c Las perturbaciones estn correlacionadas
(autocorrelacionadas)
+
Si obtenemos
| c | | = + =

) ) ( ( )

(
1
X X X E E
1 2 1
) ( ) ( ) ( )

(

= X X X V X X X V o |
El estimador es insegado
La varianza ya no sera mnima
Mtodo de Mnimos cuadrados
generalizados (MCG)
* * *
,
c |
c |
+ =
+ =
X Y
P X P PY
P P T T V as T P
1 1 1 1
= = =

I P V P P V V
P E E
2 2
) ( ) ( *) (
0 ) ( *) (
o o c c
c c
= = =
= =
Este mtodo consiste en aplicar una transformacin a las variables del
modelo, sin cambiar los coeficientes, de manera que en el modelo
transformado sea aplicable MCO, es decir, los estimadores de los coeficientes
en el modelo transformado sern estimadores insesgados y de varianza
mnima.
Sea P la matriz de transformacin tal que
donde
Por ser V una matriz simtrica y definida positiva, existe T tal que
I T TT T TT V = =

) (
1 1
Mtodo de Mnimos cuadrados
generalizados (MCG)
; ) ( 0 ) ( ,
2
TT V con V V y E X Y = = = + = o c c c |
* * *
,
1 1 1
c |
c |
+ =
+ =

X Y
T X T Y T
1
= T P
Dado
I T TT T T V V
T E E
2 1 2 1 1
1
) ( ) ( *) (
0 ) ( *) (
o o c c
c c
= = =
= =

Luego
) ( ) ( * * *) * (

1 1 1 1
Y V X X V X Y X X X
MCG

= = |
1 1 2 1 2
) ( *) * ( )

(

= = X V X X X V
MCG
o o |
sea
Mtodo de Mnimos cuadrados
generalizados (MCG)
MCG MCG
MCG MCG
e T X Y T
X T Y T X Y e
1 1
1 1
)

(

* * *


= =
= =
|
| |
k n
e e

=
* *

2
o
k n
Y V X Y V Y
MCG

=
1 ' 1
2

|
o
k n
V
k n
T T
MCG MCG MCG MCG
e e e e

=
1 ' 1 ' 1 '
2

o
Deteccin de la heterocedasticidad
I V con V V y E X Y = = = + = ; ) ( 0 ) ( ,
2
o c c c |
Donde V es una matriz diagonal
(
(
(
(

=
nn
V
o
o
o
c
... 0 0
... ... ... ...
0 ... 0
0 ... 0
) (
22
11
1. Anlisis del grfico de los residuos
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
2 4 6 8 10 12 14 16 18
GASTOSID Residuals
-5
-4
-3
-2
-1
0
1
2
3
4
5 10 15 20 25
VENTAS Residuals
Deteccin de la heterocedasticidad
2. Prueba de Goldfeld y Quandt
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
2 4 6 8 10 12 14 16 18
GASTOSID Residuals
Analiza los residuos bajo el supuesto de que la
varianza de las perturbaciones depende de una
de las variables X, de manera que si la relacin
es directa, las varianzas tendran tendencia
creciente.
a) Ordenar la data en orden creciente de la variable X
b) Se omite c observaciones centrales (c ~ 33% )
c) Se estima el modelo para cada submuestra de los extremos
Deteccin de la heterocedasticidad
2
2
2
1 0
: o o = H
2. Prueba de Goldfeld y Quandt
d) Con SCE(1) y SCE(2), las sumas de cuadrados de los residuos en
cada grupo, se prueba las hiptesis.
H
0
: Perturbaciones homocedasticas
H
1
: Perturbaciones heterocedasticas
2
2
2
1 1
: o o < H
Estadstica
|
.
|

\
|

=
k
c n
k
c n
F es
SCE
SCE
F
2
,
2
) 1 (
) 2 (
Si se sospecha de una relacin inversa, se ordena los datos en forma
decreciente
Deteccin de la heterocedasticidad
2 2 2
) (
i i i
e E ~ = c o
i i i i
x x y c | | | + + + =
2 2 1 1 0
i i i i i i i i
u x x x x x x e + + + + + + =
2 1 2 1
2
2 4
2
1 3 2 2 1 1 0
2
o o o o o o o
3. Prueba de White
Analiza los residuos bajo el supuesto de que la
varianza de las perturbaciones depende de
alguna de las variables X.
Teniendo en cuenta que
Se estima un modelo auxiliar para e
i
en funcin de las variables
regresoras, sus cuadrados y sus productos cruzados de segundo orden
Ejemplo sea modelo:
modelo auxiliar
H
0
: - homocedasticidad
H
1
: - heterocedasticidad
Estadstica:
2
1
2

~
p
nR _
P: n de coeficientes en el modelo auxiliar
Tratamiento
1. Cuando se conoce la estructura de la heterocedasticidad
Ejem.
(
(
(
(

=
2
1
2
12
2
11
2
... 0 0
... ... ... ...
0 ... 0
0 ... 0
) (
n
x
x
x
V o c
2
1
2 2
i i
x o o =
(
(
(
(

=
n
x
x
x
T
1
12
11
... 0 0
... ... ... ...
0 ... 0
0 ... 0
Por consiguiente
Si
(
(
(
(

n
x
x
x
T
1
12
11
1
/ 1 ... 0 0
... ... ... ...
0 ... / 1 0
0 ... 0 / 1
Luego el modelo transformado
c |
1 1 1
+ = T X T Y T
i
i
i
i
i
i
i i
i
x x
x
x
x
x x
y
1 1
2
2
1
1
1
1
0
1
c
| |
|
+ + + =
i i i i
x x y c | | | + + + =
2 2 1 1 0
* *
2 2 1
*
1 0
*
i i i i
x x y c | | | + + + =
Modelo ponderado
* *
2 2 1
*
1 0
*
i i i i
x x y c | | | + + + =
Si E(c
i
) = 0
2
1
2 2
) (
i i i
x V o o c = =
( )
2
2
1
2
1
2
* *
1
) ( 0 ) ( o
o
c
c c = = = =
i
i
i i
x
x
x
V V y E
i
i
* *
3 2
*
2 1
*
1 0
*
i i i i i
x x x y c | | | + + + =
Modelo ponderado
i
i
i
i
i
i
i i
i
x x y
o
c
o
|
o
|
o
|
o
+ + + =
2
2
1
1
0
En general cuando se conoce la estructura
2
i
o
2. Cuando no se conoce la estructura de la heterocedasticidad
a) La transformacin logaritmo es usada para reducir la heterocedasticidad
b) Utilizar la correccin de heterocedasticidad de White para la varianza
White propone que luego de estimar el modelo por MCO, con los
residuos se obtenga la matriz V de covarianza aproximada
1
0
1
) ' ( ) ' ( )

(

= X X S X X n V |

= =
n
i i i ij ij
x x e
n
s donde s S
1
' 2
0
1
Deteccin de la autocorrelacin
I V con V V y E X Y = = = + = ; ) ( 0 ) ( ,
2
o c c c |
Cov(c
t
, c
t-j
) = 0
(
(
(
(

=
nn n n
n
n
V
o o o
o o o
o o o
c
...
... ... ... ...
...
...
) (
2 1
2 22 21
1 12 11
1. Anlisis del grfico de los residuos
t
c
t

0
-3
-2
-1
0
1
2
3
10 20 30 40 50 60 70 80 90 00
Y2 Residuals
Deteccin de la autocorrelacin
2. Prueba de Durbin - Watson

=

T
t
T
t t
e
e e
D
1
2
2
2
1
) (
Supuestos
1) El modelo de regresin debe incluir intercepto
2) Las variables Xs son fijas
3) Se supone que la perturbacin sigue una estructura autorregresiva de
primer orden AR(1)
0 ) , ( ; ) ( ; 0 ) ( ;
2
1
= = = + =
j t t v t t t t t
v v C v V v E v o c c
4) El modelo no incluye como variables regresoras rezagos de la variable
dependiente
5) No hay datos faltantes

=

T
t
T
t t
e
e e
D
1
2
2
2
1
) (
) 1 ( 2
2
2
1
2
2
1
1
2
2 2
1
2
2
1
2
r
e
e e
e
e e e e
D
T
t
T
t t
T
t
T T
t t
T
t t
=

+
=

= =

T
t
T
t t
e
e e
r
1
2
2
1

Coeficiente de
correlacin de
primer orden
0
4 2
D
L
D
U

4-D
L
4-D
U

+

0 ~
duda duda
H
0
: =0
3. Prueba de Breush y Godfrey
Asume que la perturbacin sigue una estructura autorregresiva de orden p
AR(p)
0 ) , ( ) ( ; 0 ) (
2 2 1 1
2
... =

= =

+ + + + =
j t
v
t
v C v V
t
v E con
t p t p t t t v t
v o c | c | c | c
H
0
:
i
=0
H
0
:
i
=0 para algn i
Perturbaciones incorrelacionadas Perturbaciones correlacionadas
Procedimiento
* El modelo, que puede incluir rezagos de la variable dependiente como
regresores, es estimado por MCO y se obtienen los residuos e
t

* Para los residuos, se estima una regresin auxiliar
t p t p t t kt k t t
u e e e x x e + + + + + + + + =

| | | o o o ... ...
2 2 1 1 2 2 1
Estadstica:
2
) (
2
p
TR _ ~
p
2
) ( p
_
2
TR
4. Prueba Q de Ljung y Box
Asume que la perturbacin sigue una estructura mixta ARMA(p,q),
autorregresiva de media mvil
0 ) , ( ; ) ( ; 0 ) (
1 1 2 2 1 1
2
... ...
=

= =

+ + + + =
j t
v
t
v C v V
t
v E con
q t q t t p t p t t t
v t
v v v
o
u u c | c | c | c
* Para los residuos del modelo estimado por MCO, se obtiene las correlaciones
muestrales r
j
con las cuales se calcula la estadstica
p
2
) ( q p M
_
LB
Q
2
) (
1
2
) 2 (
q p M
M
j
j T
j
r
T T
LB
Q

= |
|
|
|
.
|

\
|

+ ~

= _
j n a para H j H
j
M
j
lg , 0 : : 0 :
1
, 1
0
= =
Tratamiento
1. Estructura de autocorrelacin conocida:
Sea un AR(1)
Escribimos el modelo para c
t
en funcin de v
t

.... ) (
3
3
2
2
1 1 2
+ + + + = + + =
t t t t t t t t
v v v v v v c c
0 ) , ( ; ) ( ; 0 ) (
1 1 ;
2
1
= = =
< < + =

j t t v t t
t t t
v v C v V v E
v
o
c c
Luego
0 ) ( =
t
E c
2
2
1
) (

o
c

=
v
t
V
j
j
v
j
j t t
C o

o
c c
c
= =

2
2
2
1
) , (
1
-1

j

j
1
-1

j

j
j es el nmero
de periodos de
separacin
V V
v
T T T
T
T
T
v
nn n n
n
n
2
3 2 1
3 2
2
1 2
2
2
2 1
2 22 21
1 12 11
1
... ... ... ... ...
... 1
... 1
... 1
1
...
... ... ... ...
...
...
) ( o

o
o o o
o o o
o o o
c =
(
(
(
(
(
(

=
(
(
(
(

(
(
(
(
(
(
(
(

1 0 ... 0 0 0
0 1 ... 0 0 0
0 0 0 ... ... ... ...
0 0 0 ... 1 0
0 0 0 ... 0 1
0 0 0 ... 0 0 1
2
1

T
a) MCG con informacin completa (transformacin de Prais-Winsten)
la matriz de transformacin T
-1

Entonces el modelo
transformado es:
(
(
(
(

+
(
(
(
(

(
(
(
(
(

=
(
(
(
(

1
1 2
1
2
2
1
1
1 2
1
2
1 2 2
21 22
21
2 2
1
1 2
1
2
...
1
...
...
1
...
...
...
...
...
1
1
...
1
1
...
1
T T
k
kT kT
k k
k
T T T T
x x
x x
x
x x
x x
x
y y
y y
y
c c
c c
c
|
|
|

T t para X X Y
t kt k t t
, 1 , ....
2 2 1
= + + + + = c | | |
Dado el modelo
b) MCG omitiendo la primera observacin (transformacin de Cochrane y Orcutt)
la matriz de transformacin T
-1

Entonces el modelo transformado es:
t kt k t t
t t kt kt k t t t t
v x x y
x x x x y y
+ + + + =
+ + + + =

* *
2
*
2
*
1
*
1 1 1 2 2 2 1 1
...
) ( ... ) ( ) 1 (
| | |
c c | | |
T t para X X Y
t kt k t t
, 1 , ....
2 2 1
= + + + + = c | | |
Dado el modelo
(
(
(
(
(
(

1 ... 0 0
0 1 ... 0 0
... ... ... ... ...
0 0 ... 0
0 0 ... 1
1

T
Al modelo se denomina ecuacin en diferencia generalizada o cuasi-diferencia
0 ) , ( ; ) ( ; 0 ) (
1 1 ;
2
1
= = =
< < + =

j t t v t t
t t t
v v C v V v E
v
o
c c
2. Cuando es desconocido
a) Mtodo de Durbin. Del modelo ecuacin en cuasi-diferencia se despeja y
t

1 1 1 2 2 2 1 1
) ( ... ) ( ) 1 (

+ + + + + =
t t kt kt k t t t t
x x x x y y c c | | |
Se aplica MCO y se obtiene

el cual se remplaza en el modelo

De cuasi diferencia y por MCO se estima los coeficientes |*
t kt k t t
t t kt kt k t t t t
v x x y
x x x x y y
+ + + + =
+ + + + =

* *
2
*
2
*
1
*
1 1 1 2 2 2 1 1
...
) ( ... ) ( ) 1 (
| | |
c c | | |
De los coeficientes estimados se despeja

|
|
1

*
1
1

=
1 ;
*

= = j
j j
| |
Observacin:
2
*
1
1
) 1 (
)

(
)

|
|

=
V
V
) 1 (
)

(
)

(
* *
1
1

| |
| |

=
j
j
Cov
Cov
b) Mtodo de bsqueda de Hildreth - Lu
1. Se asume valores para en el rango -1 a +1, con intervalos de 0,1
2. Para cada valor de se estima el modelo en cuasi diferencia
Mtodo exploratorio que realiza el siguiente procedimiento
t kt kt k t t t t
v x x x x y y + + + + =

) ( ... ) ( ) 1 (
1 1 2 2 2 1 1
| | |
3. Se escoge el modelo que tenga la menor SCE
c) Procedimiento iterativo de Cochrane-Orcutt
1. Por MCO se estima el modelo y se obtiene los residuos e
t

1

y se obtiene el
3. Se remplaza
t kt k t t
t t kt kt k t t t t
v x x y
x x x x y y
+ + + + =
+ + + + =

* *
2
*
2
*
1
*
1 1 1 1 2 1 2 2 1 1 1 1
...
) ( ... ) 1 ( ) 1 (
| | |
c c | | |
T t para X X Y
t kt k t t
, 1 , ....
2 2 1
= + + + + = c | | |
0 ) , ( ; ) ( ; 0 ) (
1 1 ;
2
1
= = =
< < + =

j t t v t t
t t t
v v C v V v E
v
o
c c
Sea el modelo
2. Para los residuos por MCO se estima el modelo auxiliar
t t t
v + =
1
c c
1

en la ecuacin de cuasidiferencia
por MCO se estima el modelo y se obtiene los residuos e*
t
y SCE1
2

y se obtiene el
5. Se remplaza
t kt k t t
t kt kt k t t t t
w x x y
w x x x x y y
+ + + + =
+ + + + =

* *
2
*
2
*
1
*
1 2 1 2 2 2 2 2 1 1 2
...
) ( ... ) ( ) 1 (
| | |
| | |
4. Por MCO se estima el modelo auxiliar
t t t
v e e + =

*
1 2
*

en la ecuacin de cuasidiferencia
por MCO se estima el modelo y se obtiene los residuos e**
t
y SCE2
y as sucesivamente.
Se suspende el procedimiento cuando las estimaciones consecutivas de

difieran en una cantidad pequea, menor o igual al criterio de convergencia

d) Mtodo iterativo de Marquart (Mnimos cuadrados no lineales)
entonces reescribimos el modelo
T t para X X Y
t kt k t t
, 1 , ....
2 2 1
= + + + + = c | | |
0 ) , ( ; ) ( ; 0 ) (
1 1 ;
2
1
= = =
< < + =

j t t v t t
t t t
v v C v V v E
v
o
c c
Dado el modelo
t kt k kt k t t t t
v x x x x y y + + + + + =
1 1 2 2 2 2 1 1
... ) 1 ( | | | | |
Este modelo es no lineal en sus coeficientes, por lo que ya no es aplicable MCO. En
este caso para obtener estimadores que minimicen la suma de cuadrados de los
residuos se aplicar los mtodos de optimizacin con aproximacin de series de Taylor
de 2 orden.
| | | | ) ( ( )' (
2
1
) ( ' ( )

( ) (
2
n n n n n n
F F F F u u u u u u u u u u V + V + ~
Una nueva estimacin de u que optimice la funcin ser: | | | | ) ( (

1
2
1 n n n n
F F u u u u V V =

+
Se repite el proceso hasta que se satisfaga el criterio de convergencia
Para el modelo la funcin F(u) =

=
2 2
) (
t t t
e y y
Prediccin en MCG
| | | | |

...

'
3 3 2 2 1
i
X X X X Y
ki k i i i
= + + + + =
a) Bajo Heterocedasticidad
i ki k i i
X X Y c | | | + + + + = ....
2 2 1
2 2 2
Ji i
x o o =
si E(c
i
) = 0
Prediccin puntual
Prediccin por intervalo
i ji i
X V X x e V
i
)

( ) (
' 2
| o + =
| c |

' '
i i i i i i
X X Y Y e + = =
0 ) ( =
i
e E
) , 0 (
2
o c N es Si
i
) (
' 2 2
) )

k n
i i ji e
i i
t es
X V X x S
Y Y
T

+

=
|
) )

' 2 2
2 / 1 i i ji e i
X V X x S t Y L |
o
+ =

Prediccin en MCG
a) Bajo autocorrelacin
t kt k t t
X X Y c | | | + + + + = ....
2 2 1
0 ) , ( ; ) ( ; 0 ) ( 1 1 ;
2
1
= = = < < + =
j t t v t t t t t
v v C v V v E v o c c
h T h T T
h
T
h
h T
v v v
+ + +

+
+ + + + =
1 1
1
... c c
T
h
h T
T E c c =
+
) / (
h T h T h T h kT k h T h T
X X X Y
+ + + + + +
+ = + + + + = c | c | | |

2 2 1
....
T
h
h T h T h T
e X T Y E Y |

) /

+ = =
+ + +
Por consiguiente
T
h
h T h T h T h T h T T
e X X Y Y h e | c |

) (

+ = =
+ + + + +
) 1 ... ( )

( )] ( [
2 ) 2 ( 2 ) 1 ( 2 2
+ + + + + =

+ +
o |
h h
h T h T T
X V X h e V
) 1 ... ( )

2 ) 2 ( 2 ) 1 ( 2 2
2 / 1
+ + + + + + =

+ + +
o |
o
h h
h T h T h T
X V X t Y L