Beruflich Dokumente
Kultur Dokumente
FACULTAD DE ECONOMÍA
Econometría I
Enero/2019
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Datos Generales
- Disciplina
- Puntualidad
- Atención
- Celulares
- Conversar
- Fecha de entrega de tareas
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Estructura de calificación
- Actuación en clase
- Investigaciones
- Tareas – Deberes
- Lecciones
- Análisis de artículos del periódico 5 puntos
- Casos de estudio
- Talleres
- Aportes - Test
- Proyecto
- Examen 5 puntos
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Evaluaciones
- Lecciones semanales
- Aportes mensuales
- Proyecto al final de cada parcial
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Bibliografía
Prueba de Normalidad de μ
Aunque se han estudiado diversas pruebas de
normalidad en la teoría, solamente se
considerarán tres:
1) histograma de residuos:
2) gráfica de probabilidad normal (GPN), y
3) la prueba Jarque-Bera.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Histograma de residuos: Es un gráfico que se utiliza para
saber algo sobre la forma de la FDP de una variable
aleatoria. En el eje horizontal, dividimos los valores de la
variable de interés (por ejemplo, los residuos MCO) en
intervalos convenientes, y sobre cada intervalo de clase
construimos rectángulos cuya altura sea igual al número
de observaciones (es decir, la frecuencia) para ese
intervalo de clase.
Si mentalmente se coloca la cuna de distribución normal
en forma de campana sobre el histograma, se tendrá
cierta idea si la aproximación normal (FDP) resulta
apropiada o inapropiada.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Gráfica de probabilidad normal Un dispositivo gráfico
comparativamente simple para estudiar la forma de la función
de densidad de probabilidad (FDP) de una variable aleatoria es
la gráfica de probabilidad normal (GPN), la cual utiliza el papel
de probabilidad normal.
Sobre el eje horizontal, o eje X, graficamos los valores de la
variable en estudio (digamos, los residuos MCO, üi), y sobre el
eje vertical, o eje Y, mostramos el valor esperado de esta
variable si estuviera normalmente distribuida. Por tanto, si la
variable de hecho fuese de la población normal, la GPN sería
aproximadamente una recta. Si la recta resultante en la GPN
es aproximadamente una recta, se podría concluir que la
variable en estudio está normalmente distribuida.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Prueba de normalidad de Jarque-Bera (JB). La prueba de
normalidad de JB también está basada en los residuos MCO.
Esta prueba calcula primero la asimetría y la curtosis o
apuntalamiento de los residuos MCO y utiliza el siguiente
estadístico de prueba:
Soluciones
1) Eliminación de variables
2) Aumento del tamaño de la muestra
3) Utilización de información extramuestral
4) Transformación de Variables:
Forma de Primeras diferencias
Utilización de ratios (tasas)
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Heterocedasticidad
Se había establecido la hipótesis básica de que la
varianza de las perturbaciones era constante, es decir:
V = Var(u) = σ2
o hipótesis de homocedasticidad. Cuando se verifica su
incumplimiento en varios grupos se dice que existe
heterocedasticidad o que las pertubaciones son
heterocedásticas.
“Se da cuando la varianza de los errores no es constante
en las distintas observaciones ”
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Método grafico:
Consiste en hacer una regresión bajo el supuesto de que no
existe heterocedasticidad y luego examinar los u con las Y, para
ver si hay algún patrón de comportamiento. En caso de que el
gráfico presente algún patrón sistemático entre las dos
variables el modelo tendría problemas de heterocedasticidad.
Se realiza la representación gráfica de los residuos y de los
residuos al cuadrado.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Detección de la Heterocedasticidad
(métodos formales)
1) Test de GOLDFELD-QUANT
2) Test de BREUSH-PAGAN
3) Test de WHITE
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
TEST DE GOLDFELD-QUANT
Se basa en la idea que si la varianza de los errores es igual a
través de todas las observaciones, entonces la varianza para
una parte de la muestra será la misma que la calculada con
otra parte de la misma.
1) Se identifica una variable Z relacionada con la varianza de
los errores. Si suponemos que la relación es POSITIVA,
ordenamos de manera creciente los datos de la muestra.
2) Se omiten “c” observaciones centrales. Generalmente c ≈
n/3
3) Dividimos la muestra en 2 partes omitiendo los valores
centrales (c)
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
1) Estimamos las regresiones por separado. Una para las
primeras n – c/2 observaciones y otra para las segundas.
2) Obtenemos SEC (Suma de Cuadrados del Error/Residuos)
de cada una de las regresiones
3) Calculamos Fcalc = SEC2/n-k SCR2
SEC1/n-k SCR1
7) (n - c)/2 – k grados de libertad tanto en el numerador como
en el denominador
Limitación: El éxito depende de (c) y que se seleccione
correctamente X.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
TEST DE BREUSH-PAGAN
Supone que la varianza de los errores no es una constante
sino que está relacionada con un número de variables Z.
Y1= 1 + 2X2 + .... U1
2 = 1 + 2 Z2 + .... p Zp (p<= k)
Si 1 = 2 = .... p = 0 entonces la varianza de los
errores es constante indicando Homocedasticidad
Estimamos Y1= 1 + 2X2 + .... U1 por MCO y luego
calculamos los residuos (errores) del modelo.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
U2i (estimado) es una estimación de la varianza de los
errores.
Si 1 = 2 = .... p = 0 fuese válida podemos esperar que
U2i (estimado) esté relacionado con las variables Z lo que
sugiere una regresión auxiliar.
U2i (estimado) = 1 + 2 Z2 + .... p Zp
2 (estimado)
El estadístico tiene distribución Chi-cuadrado con p
grados de libertad.
Limitación: Es sensible a cualquier tipo de violación del
supuesto de normalidad de los errores.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
TEST DE WHITE:
También es un test para muestras grandes y es parecido al de Breush-Pagan, pero no
necesita ningún supuesto previo acerca de las causas de la heterocedasticidad.
1) Estimamos el modelo por MCO.
2) Calculamos U2i (estimado)
3) Estimamos un modelo de regresión utilizando U2i (estimado) como variable
dependiente sobre las X originales, las X2 y los productos cruzados.
Prueba de Breusch-Godfrey
4.4 4.4
4.0 4.0
LCO
LCO
3.6 3.6
3.2 3.2
2.8 2.8
2.8 3.0 3.2 3.4 3.6 3.8 4.0 4.2 4.4 7.0 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8
LA LH
4.8 4.8
4.4 4.4
4.0 4.0
O
O
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
- Test de los indicadores
- R2 bajo
- Razones t poco significativas
- d Durbin – Watson bajo
- Prueba Reset de Ramsey
RESET = REgression Specification Error Test
La prueba tiene como propósito detectar la
existencia de error de especificación en un modelo.
Sigue una distribución F.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Formas funcionales de los modelos de regresión
Existen algunos modelos de regresión más comúnmente
utilizados, que pueden ser no lineales en las variables pero que
son lineales en los parámetros o que pueden serlo mediante
transformaciones apropiadas de las variables. En particular, se
presentan los siguientes modelos de regresión:
• El modelo log-lineal
• Modelos semilogarítmicos
• Modelos recíprocos
• El modelo logarítmico recíproco
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Medición de la Elasticidad: Modelo LOG-LINEAL
Considérese el siguiente modelo, conocido como el modelo de
regresión exponencial:
el cual puede ser expresado alternativamente como:
Los economistas, la gente de negocios y los gobiernos frecuentemente están interesados en encontrar la
tasa de crecimiento de ciertas variables económicas, tales como población, PNB, oferta monetaria,
empleo, productividad, déficit comercial, etc.
Si se desea saber la tasa de crecimiento del gasto de consumo personal en servicios. Sea Y el gasto real
en servicios en el tiempo t, y Y0 el valor inicial del gasto en servicios. Si utilizamos la fórmula del interés
compuesto:
donde r es tasa de crecimiento compuesta de Y (es decir, a través del tiempo). Aplicando el logaritmo
natural podemos escribir:
Ahora si:
Este modelo es igual a cualquier otro modelo de regresión lineal en el sentido de que los parámetros son
lineales. La única diferencia es que la variable dependiente o regresada es el logaritmo de Y y el regresor
o variable explicativa es el "tiempo", que adquiere valores de 1,2,3, etc.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Estos modelos se denominan modelos semilog porque solamente una variable
(en este caso la regresada) aparece en forma logarítmica. Para fines
descriptivos, un modelo en el cual la variable regresada es logarítmica se
denominará modelo log-lin.
En este modelo el coeficiente de la pendiente mide el cambio proporcional
constante o relativo en Y para un cambio absoluto dado en el valor del regresor
(en este caso la variable t), es decir:
Pruebas adicionales
• Prueba MWD
• Prueba de Chow
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Prueba de la forma funcional de la regresión: Selección
entre Modelos LINEAL Y LOG-LINEAL
La selección entre un modelo de regresión lineal (la
regresada es una función lineal de las regresoras) o un
modelo de regresión log-lineal (el logaritmo de la
regresada es función de los logaritmos de las regresoras)
es la eterna pregunta en el análisis empírico.
Se puede utilizar una prueba propuesta por MacKinnon,
White y Davidson, que se denominará, por brevedad, la
prueba MWD para escoger entre los dos modelos.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
H0. Modelo lineal: Y es una función lineal de las regresoras, las X
H1: Modelo log-lineal. lnY es función lineal de los logaritmos de las
regresoras, los logaritmos de las X.
La prueba MWD comprende los siguientes pasos:
Paso I: Estímese el modelo lineal y obténganse los valores Y estimados.
Llámelos Yf (es decir, Y estimada).
Paso II: Estímese el modelo log-lineal y obténganse los valores lnY
estimados; denomínense lnf (es decir, lnY estimado).
Paso III: Obténgase Z1 = (ln(Yf) - lnf).
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Paso IV: Efectúese la regresión de Y sobre las X y Z1 obtenida en el paso
III. Rechácese H0 si el coeficiente de Z1 es estadísticamente significativo
mediante la prueba t usual.
Paso V: Obténgase Z2 = (antilog de lnf - Yf). Z2 = exp(lnf) - Yf
Paso VI: Efectúese la regresión del logaritmo de Y sobre los logaritmos
de las X y Z2. Rechácese H1, si el coeficiente de Z2 es estadísticamente
significativo mediante la prueba t usual.
Prueba de Chow
La prueba supone que:
1. U1t ~ N(0, σ2) y u2t ~ N(0, σ2). Es decir, los
términos de error en las regresiones de los
subperiodos están normalmente distribuidos
con la misma varianza (homoscedástica) σ2.
2. Los dos términos de error (u1t y u2t) están
independientemente distribuidos
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Los mecanismos de la prueba Chow son los siguientes:
1. Se estima la regresión total, que resulta apropiada si no hay inestabilidad en los
parámetros, y se obtiene SRC3 con g de l = (n1 + n2 - k), donde k es el número de
parámetros estimado, 2 para este caso. Para el ejemplo, SRC3 = 23 248,30. Se
llama a SRC3 la suma de residuos al cuadrado restringida (SRCR), ya que se
obtiene al imponer las restricciones de que λ1 = γ1 = α1, λ2 = γ2= α2; es decir, las
regresiones de los subperiodos no son diferentes.
2. Estímese la primera regresión y obténgase su suma de residuos al cuadrado,
SRC1, con g de l (n1 - k). En el ejemplo SRC1 = 1 785,032 y g de l = 10.
3. Estímese la segunda regresión y obténgase su suma de residuos al cuadrado,
SRC2, con g de l = (n2 - k). En el ejemplo SRC2 = 10 005,22 y g de l = 12.
4. Puesto que los dos conjuntos de muestras se consideran independientes, se
pueden sumar SRC1 y SRC2 para obtener lo que se podría llamar suma de residuos
al cuadrado no restringida (SRCNR); es decir, se obtiene:
SRCNR = SRC1 + SRC2 con g de 1 = (N1 + n2 - 2k)
Para el caso presente,
SRCNR = (1 785,032 + 10 005,22) = 11 790,252
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
5. La idea detrás de la prueba Chow es que si de hecho no existe un cambio
estructural [es decir, las regresiones parciales son esencialmente las
mismas], entonces SRCR y SRCNR no deberían ser estadísticamente
diferentes.
Chow demostró que bajo la hipótesis nula las dos regresiones parciales
son (estadísticamente) la misma (es decir, no hay cambios estructurales ni
rupturas), así que la razón F dada antes sigue una distribución F con k y
(n1+ n2 - 2k) g de l en el numerador y denominador, respectivamente.
La prueba Chow, por tanto, parece apoyar la anterior conjetura de que la relación
ahorros-ingreso sufrió un cambio estructural en Estados Unidos en el periodo
1970-1995, dando por hecho que se satisfacen las suposiciones subyacentes en
la prueba.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Los Mínimos Cuadrados Ordinarios y el tratamiento de las variables
ficticias
Variables: de escala de razón(proporción), de escala de intervalo, de
escala ordinal y de escala nominal.
Los tipos de variables que se han encontrado hasta ahora, fueron en
esencia de escala de razón. Pero esto no debe dar la impresión de que
los modelos de regresión pueden sólo tratar con variables de escala de
razón. Los modelos de regresión también pueden trabajar con los otros
tipos de variables que se acaban de mencionar.
Existen modelos que tal vez no sólo tengan variables de escala de
razón, sino también variable de escala nominal, variables categóricas,
variables cualitativas, o variables dicótomas.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Naturaleza de las variables Dicótomas
En el análisis de regresión, la variable dependiente o
regresada, está influida frecuentemente no sólo por variables
de razón de escala, sino también por variables que son
esencialmente cualitativas por naturaleza, o de escala nominal
Por ejemplo, manteniendo los demás factores constantes, se
ha encontrado que las trabajadoras ganan menos que sus
colegas masculinos y que las personas de color ganan menos
que las blancas. Este patrón puede resultar de la
discriminación sexual o racial, pero cualquiera que sea la
razón, las variables cualitativas tales como sexo y raza sí
influyen sobre la variable dependiente y es claro que deben ser
incluidas dentro de las explicativas, o regresoras.
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
…
Puesto que tales variables usualmente indican la presencia o ausencia de una
"cualidad'' o atributo, tal como femenino o masculino, negro o blanco, católico
o no católico, son variables de escala nominal esencialmente. Se podrían
"cuantificar" tales atributos mediante la elaboración de variables artificiales
que tomaran los valores 0 y 1, donde 1 indicara la presencia (o la posesión) de
ese atributo y 0 la ausencia de tal atributo.
Las variables que adquieren tales valores 0 y 1 se llaman variables dicótomas.
Tales variables son, por tanto, esencialmente un recurso para clasificar datos
en categorías mutuamente excluyentes, como masculino o femenino.
Las variables dicótomas pueden utilizarse en los modelos de regresión en
forma tan fácil como las variables cuantitativas. De hecho, un modelo de regre-
sión puede contener variables explicativas que son exclusivamente dicótomas,
o cualitativas, por naturaleza. Tales modelos se denominan modelos de
análisis de varianza (ANOVA).
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Modelos ANOVA
Supóngase que se desea averiguar si el salario promedio anual (SPA) de
los maestros de escuelas públicas difieren entre las tres áreas
geográficas Costa, Sierra y Oriente. Si se toma el promedio aritmético
simple de los salarios promedio de los maestros de las tres regiones,
esos promedios pueden se diferentes entre sí, pero, ¿son
estadísticamente distintos entre sí? Existen varias técnicas estadísticas
para comparar dos o más valores medios, lo cual por lo general se
conoce como análisis de varianza. Pero se puede lograr el mismo
objetivo dentro del ámbito del análisis de regresión.
Para realizar la regresión se deben añadir variables dicótomas que
representen a cada una de las categorías de la variable (región para el
presente ejemplo).
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
𝑌𝑡 = 𝛽1 + 𝛽2 𝐷2𝑡 + 𝛽3 𝐷3𝑡 + 𝜇𝑡