Econometría I

ECONOMETRA I
EL MODELO LINEAL GENERAL

NDICE
Tema 1. Introduccin 4
1.1. Objetivo de la Econometra 5
1.2. Ejemplos de modelos economtricos 6
1.3. Tipos de datos 12
1.4. Transformaciones en los datos de series temporales 16
1.5. Necesidad de la Inferencia estadstica 20
Tema 2. Formulacin del Modelo Lineal General 21
2.1. Supuestos del Modelo Lineal General 22
2.2. Formulacin del Modelo Lineal General 23
2.3. Interpretacin de los coeficientes del Modelo Lineal General 26
2.4. Supuestos del Modelo Lineal General y su explicacin 30
2.5. Ejemplo de incumplimiento de Ruido Blanco 34
2.6. Importancia de los supuestos del Modelo Lineal General 37
Tema 3. Estimacin del Modelo Lineal General 38
3.1. Estimacin del Modelo Lineal General por MCO 39
3.2. Propiedades algebraicas del estimador MCO 43
3.3. Coeficiente de determinacin 45
NDICE
3.4. Distribucin de los coeficientes estimados y sus propiedades 48
Tema 4. Inferencia en el Modelo Lineal General 57
4.1. Derivacin del test de Wald 58
4.2. Uso del test de Wald 60
4.3. El estadstico F 63
4.4. Construccin de intervalos de confianza para 68
4.5. Supuestos del Modelo Lineal General y uso de estadsticos 69
Tema 5. Previsin con el Modelo Lineal General 75
5.1. Clculo de previsiones puntuales 76
5.2. Error de previsin 77
5.3. Previsin por intervalos 83
Tema 6. Extensiones 85
6.1. Restricciones sobre los parmetros 86
6.2. Mnimos Cuadrados Restringidos (MCR) 89
6.3. Reflexin sobre los parmetros del Modelo Lineal General 98
6.4. Estimacin Mximo-Verosmil del Modelo Lineal General 110
TEMA 1
INTRODUCCIN
1.1. Objetivo de la Econometra
1.2. Ejemplos de modelos economtricos
1.3. Tipos de datos
1.4. Transformaciones en los datos de series temporales
1.5. Necesidad de la Inferencia estadstica
ECONOMETRA I EL MODELO LINEAL GENERAL
5
1. INTRODUCCIN
1.1. Objetivo de la Econometra
La Econometra tiene, fundamentalmente, tres objetivos:
1. El estudio de relaciones causales entre variables econmicas.
2. La previsin de la evolucin futura de variables econmicas.
3. La validacin emprica (utilizando datos) de teoras econmicas.
Para este triple objetivo, el instrumento fundamental del que se nutre la Econometra es el
modelo economtrico. Existen muchos tipos de modelos economtricos. As, nos
podemos encontrar:
1. Modelos economtricos uniecuacionales o multiecuacionales.
2. Modelos economtricos estticos o dinmicos.
3. Modelos economtricos lineales o no lineales.
4. Modelos economtricos para datos de series temporales.
5. Modelos economtricos para datos de seccin cruzada.
6. Modelos economtricos para datos de panel.
7. Modelos economtricos para variables dependientes continuas o discretas.
TEMA 1
6
1. INTRODUCCIN
Ejemplos de modelos economtricos uniecuacionales
La variable y
t
(o los agentes que la determinan) responde instantneamente a variaciones
en x
t,2
pero, sin embargo, la variable x
t,2
no responde a variaciones en y
t
. La respuesta de y
t

se dice que es lineal, porque el modelo que relaciona y
t
con x
t,2
es de carcter lineal (en
los parmetros). Asimismo, se dice que es simtrica, dado que un aumento de una unidad
en x
t,2
produce un aumento de la variable y
t
de
2
unidades (suponiendo que
2
> 0) y, al
mismo tiempo, un descenso de una unidad en x
t,2
produce un descenso en la variable y
t
de
2
unidades (de nuevo, suponiendo que
2
> 0). Es decir, tanto aumentos como descensos
unitarios en la variable x
t,2
provocan aumentos (descensos) en la variable y
t
de la misma
cuanta. Adems, cuando se manejan datos de Series Temporales, se dice que se trata de
un modelo esttico, porque un cambio en x
t,2
provoca un cambio en y
t
en un nmero finito
de periodos, en este caso cero periodos, puesto que la respuesta de y
t
es instantnea. Por
ltimo, ste es un modelo en el que el valor esperado de la variable y
t
cuando x
t,2
= 0, es
distinto de cero, ya que:

t E x y E
t t t
= = = 0 ) ( que puesto , ) 0 (
1 2 ,
c |
Primer ejemplo: y
t
=
1
+
2
x
t,2
+
t
,
t
~ N(0; ) para todo t, y E(
t

s
) = 0, para t s

TEMA 1
7
1. INTRODUCCIN
Ejemplos de modelos economtricos uniecuacionales (datos de Series Temporales)
ste es un modelo similar al anterior en todos los aspectos salvo que, ahora, la variable y
t

va a responder a variaciones en x
t,2
con un retardo de un periodo. Adems, y
t
no responde
de manera instantnea a los cambios que se producen en la variable x
t,2
, es decir, la
respuesta de y
t
ante cambios en x
t,2
tiene un tiempo muerto de un periodo.

t
2 , t
x A
1
T
t
t
y A
T
2
|
1 + T
Segundo ejemplo: y
t
=
1
+
2
x
t1,2
+
t
, para todo t, y
t
es Ruido Blanco

TEMA 1
8
1. INTRODUCCIN
En este modelo, la variable y
t
responde a variaciones en x
t,2
tanto de manera instantnea
como al cabo de un periodo. Es decir, la respuesta no es slo instantnea, sino tambin
retardada. Sin embargo, la respuesta de la variable y
t
ante cambios en x
t,2
se agota pasado
un periodo.

t
2 , t
x A
1
T
t
t
y A
3
|
1 + T T
2
|
Tercer ejemplo: y
t
=
1
+
2
x
t,2
+
3
x
t1,2
+
t
, para todo t, y
t
es Ruido Blanco

TEMA 1
9
1. INTRODUCCIN
En este caso, la respuesta de la variable y
t
a cambios en x
t,2
es una respuesta dinmica, es
decir, se prolonga por infinitos periodos, como consecuencia de que, en el modelo, figura
un retardo de y
t
como variable explicativa.
Si x
t,2
recibe un impulso unitario en t = T, entonces la respuesta de la variable y
t
vendr
dada por el siguiente grfico:

t
2 , t
x A
1
T
t
t
y A
T
1
|
2 + T
2
2 1
| |
2 1
| |
1 + T 3 + T
3
2 1
| |

Cuarto ejemplo: y
t
=
1
x
t,2
+
2
y
t1,2
+
t
, para todo t,
t
es Ruido Blanco, y 0 <
2
< 1

TEMA 1
10
1. INTRODUCCIN
Ejemplos de modelos economtricos multiecuacionales:
ste es un modelo en el que la cantidad demandada de un producto, as como su cantidad
ofrecida (en el caso de que tratemos con datos de Series Temporales), dependen del precio
del mismo, o, alternativamente, es un modelo en el que la cantidad demandada y ofertada
de distintos bienes en un momento determinado del tiempo (en el caso de que tratemos
con datos de Seccin Cruzada) dependen de sus respectivos precios. Adems, existe
equilibrio en todos los periodos o para todos los bienes, tal y como se indica en la tercera
ecuacin del sistema.
El precio y la cantidad de equilibrio se determinan de forma simultnea y resultan de
resolver el siguiente sistema matricial:
ste es un modelo esttico multiecuacional. Operando en el sistema matricial anterior
llegamos a que su solucin viene dada por la siguiente expresin:

2 1
2 1
1
1
| | c
o o c
| | + | | | |
=
| | |
+
\ .\ . \ .
d
t t
t t
o
t t
q
p
Ax = c
Primer ejemplo: q
t
d
=
1
+
2
p
t
+
t
d
, q
t
o
=
1
+
2
p
t
+
t
o
, q
t
d
= q
t
o
, para todo t.
=
t t
1
x A c
TEMA 1
11
1. INTRODUCCIN
Ejemplos de modelos economtricos multiecuacionales (datos de Series Temporales)
Se trata de un modelo dinmico multiecuacional. Tanto en la ecuacin de comportamiento
de la variable y
t
como en la de x
t
aparecen las variables dependientes retardadas (en este
caso un periodo).
As, un incremento unitario en x
t
en t = T ocasiona, como se puede ver en la primera de
las ecuaciones, un incremento de
2
unidades en la variable y
t
en t = T + 1. Pero, al
mismo tiempo, el incremento de y
t
en t = T + 1 produce, como se puede ver en la segunda
de las ecuaciones, un incremento de
2
unidades en la variable x
t
en el periodo t = T + 2, y
as sucesivamente, es decir, se tiene el proceso:
Este modelo recoge, por lo tanto, el fenmeno de la retroalimentacin.

. A A A A
+ + + 3 2 1 T T T T
y x y x
Segundo ejemplo: y
t

=
1
y
t1
+
2
x
t1
+
t
y
, x
t
=
1
x
t1
+
2
y
t1
+
t
x

TEMA 1
12
1. INTRODUCCIN
1.3. Tipos de datos
Datos de Series Temporales
Los datos de series temporales analizan la evolucin de una variable a lo largo del tiempo.
Dependiendo de la periodicidad con la que se observe la variable, nos podemos encontrar
con Series Temporales de periodicidad diaria, semanal, mensual, trimestral o anual.
La tabla y el grfico siguiente, que recogen la cotizacin mxima semanal del valor de las
acciones del Banco Santander durante el ao 2011, son un ejemplo de datos de series
temporales.

Fecha Cotizacin
3/Ene/2011 8,09
10/Ene/2011 8,72
19/Dic/2012 5,94
27/12/2012 5,87

5
5.5
6
6.5
7
7.5
8
8.5
9
9.5
10
TEMA 1
13
1. INTRODUCCIN
1.3. Tipos de datos
Datos de Seccin Cruzada
Los datos de seccin cruzada, tambin conocidos como datos de Corte Transversal,
estudian el comportamiento de diversas variables sobre n individuos (ya sean
consumidores, hogares, empresas, pases, etc.). Es decir, los datos de Seccin Cruzada son
datos de encuestas o de individuos referidos a un periodo de tiempo fijo.
La siguiente tabla presenta un ejemplo de datos de Seccin Cruzada o de Corte
Transversal. Recoge una parte de una encuesta realizada en 1978 a un total de 500
individuos.

Individuo Aos educacin Experiencia Salario/hora
1 10 4 30
2 20 8 40
3 2 0 10
4 10 1 9

TEMA 1
14
1. INTRODUCCIN
1.3. Tipos de datos
Datos de panel
Los datos de Panel combinan las caractersticas tanto de los datos de series temporales
como de los datos de seccin cruzada. Estudia el comportamiento de n individuos sobre
diversas variables de inters a lo largo de un muestra en k instantes temporales diferentes.
La tabla siguiente muestra un ejemplo de datos de Panel (ficticio). Recoge los aos de
educacin y el salario por hora (en euros) de tres individuos durante cuatro aos
consecutivos.

Ao/Individuo
Nmero 1 Nmero 2 Nmero 3
Educ. Salario Educ. Salario Educ. Salario
2004 10 20 5 10 30 40
2005 11 25 6 10 30 45
2006 11 30 7 11 30 50
2007 11 35 8 11 30 55
TEMA 1
15
1. INTRODUCCIN
1.3. Tipos de datos
Los datos de Series Temporales pueden presentar una o varias de las siguientes
caractersticas que se enumeran a continuacin:
1. Tendencia.
2. Ciclos.
3. Estacionalidad.
4. Valores extremos.
5. Heterocedasticidad.
6. Autocorrelacin.
La tendencia, el ciclo y el componente estacional pueden ser estocsticos, en cuyo caso se
convierten en formas particulares de autocorrelacin.
Los datos de Seccin Cruzada suelen presentar heterocedasticidad y valores extremos.
Por su parte, las caractersticas tpicas de los datos de Panel estn formadas por la unin
de las caractersticas de los datos de Series Temporales y de los datos de Seccin Cruzada.

TEMA 1
16
1. INTRODUCCIN
Transformacin logartmica
Es habitual que una serie temporal y
t
se transforme en otra serie temporal z
t
mediante la
siguiente frmula:
El objetivo de esta transformacin es doble: por un lado, persigue inducir normalidad en
la serie temporal; por otro lado, tomar logaritmos neperianos induce homocedasticidad.
El grfico de la izquierda que se va a presentar a continuacin muestra la serie temporal
de consumo mensual de gasolina en Espaa entre 1945 y 1999, la cual presenta mayor
variabilidad conforme aumenta el nivel de la misma. El grfico de la derecha muestra la
serie temporal que resulta de tomar logaritmos neperianos sobre la serie anterior. Se puede
apreciar que esa mayor variabilidad al aumentar el nivel de la serie ha desaparecido, es
decir, la serie original, heterocedstica, se convierte en homocedstica mediante la
aplicacin de logaritmos neperianos.
t t t
y y f z ln ) ( = =
0
200
400
600
800
1,000
45 50 55 60 65 70 75 80 85 90 95
2
3
4
5
6
7
45 50 55 60 65 70 75 80 85 90 95
TEMA 1
Definicin:
Definimos el operador de retardo de orden p, B
p
, como un operador que, aplicado sobre
una serie temporal y
t
, nos devuelve, como resultado, esa misma serie temporal retardada
p periodos, es decir:

17
1. INTRODUCCIN
Operador diferencia regular
El operador diferencia regular de orden p, definido como:
aplicado sobre una serie temporal y
t
, se utiliza para eliminar la tendencia de la misma.
El grfico de la izquierda que se va a presentar reproduce la serie del consumo de gasolina
presentada antes (en logaritmos neperianos). Es claramente observable que esta serie
muestra una tendencia creciente. Sin embargo, podemos observar en el grfico de la
derecha, que se ha obtenido al aplicar una diferencia regular a la serie anterior, que la
tendencia ha desaparecido.

p t t
p
y y B

=
( ) ( )( ) ( )

veces
1 1 1 1
p
p
p
B B B B = = V
2
3
4
5
6
7
45 50 55 60 65 70 75 80 85 90 95
-.6
-.4
-.2
.0
.2
.4
45 50 55 60 65 70 75 80 85 90 95
TEMA 1
Definicin:
Definimos el operador de retardo de orden p, B
p
, como un operador que, aplicado sobre
una serie temporal y
t
, nos devuelve, como resultado, esa misma serie temporal retardada
p periodos, es decir:

18
1. INTRODUCCIN
Operador diferencia estacional
El operador diferencia estacional de orden p y periodo s, definido como:
aplicado sobre una serie temporal y
t
, se utiliza para eliminar el componente estacional no
estacionario de la misma.
El grfico de la izquierda que se va a presentar reproduce la serie del consumo de gasolina
presentada antes (en logaritmos). Es claramente observable que esta serie muestra,
adems de una tendencia creciente, un componente estacional. Sin embargo, podemos
observar, en el grfico de la derecha, que se ha obtenido al aplicar una diferencia
estacional, que la estacionalidad ha desaparecido.

p t t
p
y y B

=
( ) ( )( ) ( )

veces
1 1 1 1
p
s s s
p
s p
s
B B B B = = V
2
3
4
5
6
7
45 50 55 60 65 70 75 80 85 90 95
-400
-200
0
200
400
45 50 55 60 65 70 75 80 85 90 95
TEMA 1
19
1. INTRODUCCIN
Transformaciones ms habituales
Dependiendo de la periodicidad de la serie temporal con la que estemos trabajando, sern
ms habituales unas transformaciones u otras a la serie original, con el objetivo de
conseguir estacionariedad. As, se tiene que:
1. En general, la primera transformacin que se realiza es aplicar logaritmos neperianos
a la serie temporal original porque, como vimos anteriormente, induce
homocedasticidad.
2. Si tenemos una serie temporal con periodicidad anual (normalmente en logaritmos),
lo ms habitual es aplicar una o dos diferencias regulares.
3. Si tenemos una serie temporal con periodicidad trimestral (normalmente en
logaritmos), las transformaciones ms habituales son las siguientes:
4. Si tenemos una serie temporal con periodicidad mensual (normalmente en
logaritmos), las transformaciones ms habituales son las siguientes:
5. Con datos diarios o semanales, suele ser suficiente una diferencia regular.

t t t
y y y ln o , ln , ln
2
4
V V VV
t t t t
y y y y ln o , ln , ln , ln
2
12 12
2
12
V V V V VV
TEMA 1
20
1. INTRODUCCIN
1.5. Necesidad de la Inferencia estadstica
En Econometra trabajaremos con variables aleatorias y vamos a estar interesados en
determinados parmetros que forman parte de las funciones de densidad de dichas
variables.
Sin embargo, no podremos calcularlas y, debido a ello, vamos a utilizar la Inferencia
estadstica, con el objetivo de poder construir intervalos de confianza que nos den
informacin de los parmetros de cuya informacin estamos interesados.
En este curso nos vamos a centrar en los modelos economtricos que habitualmente se
emplean cuando se disponen de datos de Seccin Cruzada, como puede ser el caso de
datos conseguidos a travs de una encuesta, como puede ser la Encuesta de Poblacin
Activa (EPA), la Encuesta de Condiciones de Vida (ECV), o cualquier otra o,
alternativamente, cuando se dispongan de datos de diferentes variables referidos a
distintos agentes (individuos, empresas, regiones, etc.) en un momento determinado del
tiempo, como los que se pueden conseguir a travs de bases de datos como SABI o
AMADEUS (que proporciona informacin contable de empresas), o la base de datos de la
Penn World Table (que contiene, para diferentes aos y pases, informacin de ndole
macroeconmica), o las bases de datos proporcionada por el IVIE (para el caso de
Espaa), entre otras muchas bases de datos que existen en la actualidad.
TEMA 1
TEMA 2
FORMULACIN DEL MODELO LINEAL GENERAL
2.1. Supuestos del Modelo Lineal General
2.2. Formulacin del Modelo Lineal General
2.3. Interpretacin de los coeficientes del Modelo Lineal General
2.4. Supuestos del Modelo Lineal General y su explicacin
2.5. Ejemplo de incumplimiento de Ruido Blanco
2.6. Importancia de los supuestos del Modelo Lineal General
Estamos interesados en el comportamiento de una variable y. Sabemos que:
1. Su comportamiento puede explicarse adecuadamente por el comportamiento de k
variables que llamaremos explicativas:
2. La relacin causal es unidireccional, es decir, las variables x = (x
1
, x
2
, , x
k
) pueden
causar la y, pero la y no causa ninguna de las variables x = (x
1
, x
2
, , x
k
).
3. La y es una variable aleatoria continua, mientras que las variables x = (x
1
, x
2
, , x
k
)
son variables deterministas (continuas o discretas).
4. Las variables x = (x
1
, x
2
, , x
k
) tienen, cada una de ellas, informacin independiente
sobre la y. Es decir, ninguna x
j
puede expresarse como combinacin lineal del resto:
5. Las variables explicativas x = (x
1
, x
2
, , x
k
) no explican el 100% de la variabilidad
de la variable y, es decir, existen otras variables (desconocidas) que tambin influyen
en el comportamiento de la variable y. A esas variables desconocidas las llamaremos
y, a diferencia de las variables x = (x
1
, x
2
, , x
k
), stas sern aleatorias (o, al
menos, as las vamos a considerar).
). , , , (
2 1 k
x x x . = x
22
2. FORMULACIN DEL MODELO LINEAL GENERAL
2.1. Supuestos del Modelo Lineal General
9 e + + + + + + =
+ + k k k j j j j j
a a a x a x a x a x a x a x , , , ,
2 1 1 1 1 1 2 2 1 1
. . .
TEMA 2
La representacin algebraica del Modelo Lineal General viene dada por:
El subndice t tiene una lectura distinta dependiendo del tipo de datos con el que nos
encontremos:
1. Si estamos tratando datos de series temporales, t es un subndice temporal.
2. Si estamos tratando datos de seccin cruzada, entonces t es un subndice individuo
(ya sean consumidores, hogares, empresas, pases, etc.).
En el Modelo Lineal General:
1. La variable y
t
es la variable cuyo comportamiento queremos explicar. Es una
variable estocstica y continua. Se lee: valor de la variable y para el individuo t, o
valor de la variable y en el periodo t (dependiendo del tipo de datos con el que
estemos trabajando).
2. La variable x
t,1
(que no aparece explcitamente en la representacin algebraica del
Modelo Lineal General) es una variable que toma siempre el valor 1, y est asociada
al parmetro
1
.
23
, N , , t x x x y
t k t k t t t
. . 2 1 ,
, 3 , 3 2 , 2 1
= + + + + + = c | | | |
TEMA 2
3. Las variables x
t,j
, j = 2, 3, , k, son las variables explicativas del Modelo Lineal
General asociadas, respectivamente, a los parmetros
j
, j = 2, 3, , k. Se supone
que, conjuntamente, todas las variables independientes explican gran parte del
comportamiento (o variabilidad) de la variable y. Y, adems, las variables
explicativas pueden ser continuas o discretas.
4. El parmetro
1
es un parmetro desconocido, que medir el valor esperado de la
variable y
t
cuando todas las variables explicativas x
t,j
, j = 2, 3, , k, valgan 0, es
decir:
5. Los parmetros
j
, j = 2, 3, , k, son parmetros desconocidos, y estn asociados,
respectivamente, a las variables explicativas x
t,j
, j = 2, 3, , k. Miden el efecto
parcial de las variables explicativas x
t,j
, j = 2, 3, , k, sobre la y
t
.
Existen dos interpretaciones diferentes de los parmetros
j
en funcin de si la
variable explicativa es continua o es discreta, tal y como se ver despus.
6. La variable
t
es una variable aleatoria Ruido Blanco, es decir:

24
1 , 3 , 2 ,
) 0 ( | = = = = =
k t t t t
x x x y E .
2
~ (0; ), , y ( ) 0,
t t s
N t E t s c o c c = =
TEMA 2
25
Particularizando la expresin del Modelo Lineal General para cada una de las
observaciones de la poblacin, se tiene que:
Utilizando lenguaje matricial, el modelo se puede escribir de forma compacta como:
donde, tal y como se puede observar, y es un vector columna de dimensin N 1, X es
una matriz de dimensiones N k, es un vector columna de dimensin k 1 y, por
ltimo, es un vector columna de dimensin N 1.

N N,k k N, N, N
,k k , ,
,k k , ,
x x x y N t
x x x y t
x x x y t
+ + + + + = =
+ + + + + = =
+ + + + + = =
.
.
.
.
3 3 2 2 1
2 2 3 2 3 2 2 2 1 2
1 1 3 1 3 2 1 2 1 1
: Para
: 2 Para
: 1 Para

X y
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
N k k N N N
k
k
N
x x x
x x x
x x x
y
y
y
c
c
c
|
|
|
. .
_

. . . .
_
.
2
1
2
1
, 3 , 2 ,
, 2 3 , 2 2 , 2
, 1 3 , 1 2 , 1
2
1
1
1
1
TEMA 2
26
Vamos a estudiar cmo se interpretan los coeficientes del Modelo Lineal General en
funcin de cmo sean las variables independientes y de cmo sea la variable dependiente:
1. Las variables independientes, x
t,j
, j = 2, 3, , k, estn expresadas en niveles y son
variables continuas, mientras que la variable dependiente est en niveles:
Puesto que uno de los supuestos del Modelo Lineal General es que la variable
dependiente, y
t
, es una variable continua, entonces, se cumple que:
es decir, el coeficiente
j
, asociado a la variable explicativa x
t,j
, j = 2, 3, , k, es el
efecto marginal que la variable explicativa x
t,j
produce sobre la variable que
queremos explicar, y
t
.
Dicho de otra manera, caeteris paribus, si la variable x
t,j
se incrementa en una
unidad, entonces la variable dependiente, y
t
, vara en
j
unidades (incrementa, si el
signo de
j
es positivo, y disminuye, si el signo de
j
es negativo).

, N , , t x x x x x x f y
t k t k t t k t t t t
. . . 2 1 , ) , , , (
, 3 , 3 2 , 2 1 , 3 , 2 ,
= + + + + + = = c | | | |
, k , , j
x
x x x f
x
y
j
j t
k t t t
j t
t
.
.
3 2 ,
) , , , (
,
, 3 , 2 ,
,
= =
c
c
=
c
c
|
TEMA 2
27
2. Alguna de las variables explicativas, x
t,j
, j = 2, 3, , k, estn expresadas en
logaritmos neperianos y son variables continuas, mientras que la variable
dependiente est, tambin, en logaritmos neperianos:
Por ejemplo, sea el modelo:
En este caso, se tiene que:
j
t,j
, j = 2, 3, , k, es una
elasticidad constante de la variable explicativa x
t,j
sobre la variable a explicar, y
t
.
t,j
se incrementa en un 1%,
entonces la variable dependiente, y
t
, vara en un
j
% (incrementa, si el signo de
j
es
positivo, y disminuye, si el signo de
j
es negativo).

, N , , t x x x x x f y
t k t k t k t t t t
. . . 2 1 , ln ln ) , , , ( ln
, 2 , 2 1 , 3 , 2 ,
= + + + + = = c | | |
, k , , j
x
x x x f
x
y
j
j t
k t t t
j t
t
.
.
3 2 ,
ln
) , , , (
ln
ln
,
, 3 , 2 ,
,
= =
c
c
=
c
c
|
TEMA 2
28
t,j
variables continuas, mientras que la variable dependiente est en logaritmos
neperianos:
En este caso, se tiene, por un lado, que:
j
t,j
, j = 2, 3, , k, es una
semielasticidad constante de la variable explicativa x
t,j
sobre la variable a explicar,
y
t
.
t,j
se incrementa en una
unidad, entonces la variable dependiente, y
t
, vara en (100
j
)% unidades
(incrementa, si el signo de
j
es positivo, y disminuye, si el signo de
j
es negativo).

, N , , t x x x x x f y
t k t k t k t t t t
. . . 2 1 , ) , , , ( ln
, 2 , 2 1 , 3 , 2 ,
= + + + + = = c | | |
, k , , j
x
x x x f
x
y
j
j t
k t t t
j t
t
.
.
3 2 ,
) , , , (
ln
,
, 3 , 2 ,
,
= =
c
c
=
c
c
|
TEMA 2
29
t,j
variables dicotmicas, mientras que la variable dependiente est, tambin, en niveles:
donde si la variable x
t,j
= 1, j = 2, 3, , k, indica que dicha variable presenta una
caracterstica determinada, mientras que si x
t,j
= 0, j = 2, 3, , k, indica la ausencia
de dicha caracterstica.
Si nos centramos en el efecto de una sola variable explicativa sobre la variable
dependiente, por ejemplo, la variable x
t,2
, entonces si x
t,2
= 1 se tiene que:
mientras que si x
t,2
= 0, entonces se tiene que:
Si restamos las dos expresiones vemos que el coeficiente es, en este caso, la
diferencia de comportamiento entre dos grupos diferentes: aquellos que tienen la
caracterstica y los que no la tienen:

, N , , t x x x x x f y
t k t k t k t t t t
. . . 2 1 , ) , , , (
, 2 , 2 1 , 3 , 2 ,
= + + + + = = c | | |
, N , , t x x y E
t k t k t t
. . 2 1 , ) 1 (
, 2 1 2 ,
= + + + + = = c | | |
, N , , t x x y E
t k t k t t
. . 2 1 , ) 0 (
, 1 2 ,
= + + + = = c | |
, N , , t x y E x y E
t t t t
. 2 1 , ) 0 ( ) 1 (
2 2 , 2 ,
= = = = |
TEMA 2
30
Sobre la variable dependiente, y

La variable dependiente, y, tiene que ser una variable continua. Si es una variable
discreta, entonces el Modelo Lineal General no es adecuado porque, entre otras cosas,
sera incompatible con el supuesto de que el trmino de error, , sea ruido blanco, es decir,
con el supuesto de que la perturbacin del modelo se distribuye con una distribucin
normal, con esperanza nula, varianza constante y ausencia de autocorrelacin.
Si, como tambin se supone, las variables independientes son no estocsticas, entonces
todo el carcter estocstico de la variable dependiente, y, procede del trmino de
perturbacin. Por lo tanto, si el trmino de perturbacin es ruido blanco, eso es
incompatible, en nuestro modelo, con que y sea una variable discreta.
Cuando la variable dependiente y sea discreta se utilizarn otro tipo de modelos
diferentes, llamados de eleccin discreta, entre los que se encuentran, entre otros, los
modelos lineales de probabilidad, los modelos tobit, o los modelos logit, todos ellos fuera
del alcance de este curso.

TEMA 2
31
Sobre las variables independientes, x = (x
1
, x
2
, , x
k
)

Las variables independientes deben cumplir dos propiedades:
1. En primer lugar, tienen que ser no estocsticas.
2. En segundo lugar, tienen que ser independientes.
Se supone que las variables x = (x
1
, x
2
, , x
k
) deben ser variables deterministas, esto es,
deben ser previsibles con total certidumbre. Este supuesto es bastante irreal en la mayor
parte de los casos prcticos aunque, sin embargo, si las variables x = (x
1
, x
2
, , x
k
) no
estn correlacionadas con el trmino de error , entonces las consecuencias pueden no ser
muy graves.
Adems, las variables x = (x
1
, x
2
, , x
k
) deben ser linealmente independientes, es decir,
ninguna variable independiente ha de poder ser expresada como una combinacin lineal
exacta de las restantes.
Si, por ejemplo, tenemos como variables explicativas el nivel de importaciones, el nivel
de exportaciones, y las exportaciones netas, a las que llamaremos x
1
, x
2
y x
3
,
respectivamente, entonces es claro que se incumplira este supuesto, dado que x
3
x
2
x
1
.

TEMA 2
32
Sobre los parmetros, = (
1
,
2
, ,
k
)

Los parmetros del modelo deben ser constantes, es decir, no deben cambiar ni el tiempo
(en caso de encontrarnos con datos de series temporales) ni entre individuos (cuando
tratemos con datos de seccin cruzada).
Si, por el contrario, los parmetros del modelo s varan, entonces se dice que la estructura
del modelo cambia o que existe un cambio estructural.
Un ejemplo en el cual se incumple el supuesto de parmetro constante es cuando tenemos
el siguiente modelo economtrico:
En el modelo economtrico propuesto podemos ver que el parmetro
1
es constante pero,
sin embargo, el parmetro
2
depende o de los individuos o del tiempo (dependiendo del
tipo de datos con el que tratemos). Supongamos que sabemos que su comportamiento se
puede explicar mediante el siguiente modelo economtrico:
es decir, el parmetro poblacional
2
en el presente depende de lo que ocurri en el
periodo inmediatamente anterior.

Blanco Ruido siendo con ,
2 , 2 , 1 t t t t t
x y c c | | + + =
Blanco Ruido siendo con , 7 , 0
2 , 1 2 , t t t t
a a + =

| |
TEMA 2
33
Sobre la perturbacin del modelo,

Cada perturbacin del modelo,
t
, t = 1, 2, , N, ha de seguir una distribucin Normal, ha
de tener esperanza matemtica nula, es decir, se ha de cumplir que:
supuesto que, si existe un trmino constante en el modelo economtrico, no es demasiado
restrictivo.
Adems, cada perturbacin del modelo debe tener la misma varianza, es decir, se tiene
que cumplir que:
Si se cumple este supuesto se dice que las perturbaciones del modelo son homocedsticas.
Sin embargo, si no se cumple, entonces existe un problema de heterocedasticidad.
Por ltimo, las perturbaciones han de estar incorrelacionadas por pares, es decir:
Si todos los supuestos sobre las perturbaciones del modelo se cumplen, entonces se dice
que
t
sigue un proceso estocstico de Ruido Blanco.
N t E
t
, 2, 1, , 0 ) ( . = = c
| | N t E E E
t t t
, 2, 1, constante, siendo , ) ( )) ( (
2 2 2 2
. = = = o o c c c
| | s t E E E E
s t s s t t
= = = , 0 ) ( )) ( ))( ( ( c c c c c c
TEMA 2
34
Primer caso: omisin de variables relevantes

Imaginemos que especificamos el siguiente modelo economtrico:
Sin embargo, supongamos que el verdadero modelo no es ste, sino el siguiente:
que es el mismo que el anterior, salvo por el hecho de que en el primero hemos omitido la
variable explicativa x
t,4
, que es una variable relevante. En el modelo (2.2) se tiene que a
t

es Ruido Blanco, mientras que, comparando los modelos (2.1) y (2.2) tendramos, sin
embargo, que:
Tomando esperanzas en la expresin anterior se tiene que:
Es decir, un error de especificacin del modelo (haber omitido una variable relevante)
llevara a que la esperanza de la perturbacin no fuera nula.
t t t t
x x y c | | | + + + =
3 , 3 2 , 2 1
t t t
a x + =
4 , 4
| c
t t t t t
a x x x y + + + + =
4 , 4 3 , 3 2 , 2 1
| | | |
( ) 1 . 2
( ) 2 . 2
0
0
) ( ) ( ) ( ) (
4 , 4 4 , 4 4 , 4
= =
=
+ = + =
t t t t t t
x a E x E a x E E | | | c
_
TEMA 2
35
Segundo caso: autocorrelacin del trmino de perturbacin

Consideremos que tenemos el siguiente modelo economtrico:
donde se tiene que:
En este caso el trmino de perturbacin
t
no es independiente de su pasado, puesto que,
como podemos observar,
t
es funcin de
t1
. Entonces, si calculamos la autocovarianza
entre
t
y
t1
se tendra que:
Demostraremos en Econometra II que:
con lo que la autocovarianza entre
t
y
t1
no es nula y, por lo tanto, no se cumple el
supuesto de ausencia de autocorrelacin. En la expresin anterior se tiene que:

t t t
x y c | | + + =
2 , 2 1
Blanco Ruido es donde , 5 , 0
1 t t t t
a a + =

c c
| | ) ( ) ( 5 , 0 ) 5 , 0 ( ) (
1
2
1 1 1 1
+ = + =
t t t t t t t t
a E E a E E c c c c c c
2
2
0 0 1
5 , 0 1
donde , 5 , 0
= =
a
o

| | | | )) ( ))( ( ( adems, y, )) ( (
1 1 1
2
0

t t t t t t
E E E E E c c c c c c
TEMA 2
36
Tercer caso: heterocedasticidad en el trmino de perturbacin

Consideremos que tenemos el siguiente modelo economtrico:
en el cual se cumple que:
es decir, que la varianza no es constante, sino que vara o bien entre individuos o bien a lo
largo del tiempo (en funcin del tipo de datos que estemos manipulando).
Adems, sabemos que la varianza de la perturbacin se comporta conforme al siguiente
modelo:
siendo z
t
alguna variable que explica el movimiento o variabilidad de la varianza del
trmino de perturbacin,
t
.
Si esto ocurre, entonces se incumple el supuesto de homocedasticidad. Se dice entonces
que tenemos un problema de heterocedasticidad en el trmino de perturbacin del modelo
t
.
t t t
x y c | | + + =
2 , 2 1
2 2
) (
t t
E o c =
t t
z
1 0
2
o o o + =
TEMA 2
37
2.6. Importancia de los supuestos del Modelo Lineal General
Los supuestos que hemos realizado antes y que hemos dicho que es importante que se
cumplan en el Modelo Lineal General garantizan:
1. En primer lugar, buenas propiedades para los estimadores obtenidos tanto por
Mnimos Cuadrados Ordinarios (MCO) como por Mxima Verosimilitud (MV) que
vamos a usar para estimar los parmetros poblacionales (desconocidos) del Modelo
Lineal General.
2. En segundo lugar, una distribucin estndar para el estadstico de contraste
habitualmente utilizado (el estadstico F). La especificacin final de un modelo
economtrico requiere de un buen estimador de los parmetros (esto es, un estimador
con buenas propiedades) sobre el que se pueda construir un estadstico de contraste
lo ms potente posible.
TEMA 2
TEMA 3
ESTIMACIN DEL MODELO LINEAL GENERAL
3.1. Estimacin del Modelo Lineal General por MCO
3.2. Propiedades algebraicas del estimador MCO
3.3. Coeficiente de determinacin
3.4. Distribucin de los coeficientes estimados y sus propiedades
39
3. ESTIMACIN DEL MODELO LINEAL GENERAL
Mnimos Cuadrados Ordinarios (MCO de aqu en adelante) es el mtodo de estimacin
ms utilizado para la estimacin de los parmetros poblacionales del Modelo Lineal
General.
Sea el Modelo Lineal General escrito en forma matricial:
donde y es un vector columna de dimensin N 1, X es una matriz de dimensin N k (N
individuos en la poblacin y k variables independientes), es un vector columna de
dimensin k 1 y, por ltimo, es un vector columna de dimensin N 1.
Se define el concepto de residuo como:
es decir, como la diferencia entre los valores observados y los valores estimados, siendo
hucualquier estimador del vector paramtrico desconocido .
Si cambiamos el vector de coeficientes estimados, entonces tambin variar el vector de
residuos:

X y + =
b X y
~
~
=
b
~
b X y b b
~
s obtendremo entonces
~
de en vez utilizamos Si = =

TEMA 3
40
El mtodo MCO consiste en hallar el estimador de que minimiza la suma de los
cuadrados de los residuos, es decir, consiste en resolver el siguiente problema de
optimizacin:
Teniendo en cuenta la definicin de residuo, podemos reescribir el problema anterior de la
siguiente manera:
A partir de ahora a la funcin objetivo del problema lo vamos a denominar como:
2
{ } { }
1
min min
n
i
i
c
=
' =

b b

b X X b b X y y y
b X X b y X b b X y y y
b X y X b y
b X y b X y
b
b
b
b b
~ ~ ~
2 min
~ ~ ~ ~
min
)
~
)(
~
( min
)
~
( )
~
( min
~ ~
min
}
~
{
}
~
{
}
~
{
}
~
{ }
~
{
' ' + ' ' =
= ' ' + ' ' ' ' =
= ' ' ' =
= ' = '
b X X b b X y y y b
~ ~ ~
2 )
~
( ' ' + ' ' = S
TEMA 3
41
La condicin necesaria de primer orden (CPO) de este problema de optimizacin es la
siguiente:
Resumiendo, la condicin de primer orden del problema es:
La condicin (3.1) es conocida como el sistema de ecuaciones normales. Al vector de
coeficientes estimados que cumpla la condicin (3.1) se le cambia el nombre. As, para los
que cumplan la condicin (3.1) se tendr que:
0
~
2 2 0
0
~
)
~ ~
(
~
)
~
(
2
~
) (

0
~
)
~ ~ ~
2 (
0
~
)
~
(
= ' ' + '
=
c
' ' c
+
c
' c
c
' c
=
c
' ' + ' ' c
=
c
c
X X b X y
b
b X X b
b
b X y
b
y y
b
b X X b b X y y y
b
b S
0 2
~
2 0
~
)
~
(
= ' ' ' =
c
c
X y X X b
b
b S
( ) 1 . 3
normales) ecuaciones de sistema el cumpla que vector el para (slo
~
b
TEMA 3
42
Operando en la condicin (3.1) de ptimo tenemos que:
Si el rango de la matriz X es completo entonces tambin lo ser el de la matriz XX y, por
lo tanto, existir la inversa de esta ltima matriz, por lo que podremos despejar el vector
de coeficientes estimados en la expresin (3.2). Es decir:
y, si esto se cumple, entonces operando en la expresin (3.2) llegamos a la manera en
cmo se estiman los parmetros poblacionales del Modelo Lineal General a travs del
mtodo MCO:
Por otro lado, la condicin de segundo orden de nuestro problema de minimizar la suma
de los cuadrados de los residuos es:
y X X X y X X X
X y X X X y X X X y X X
' = ' = ' '
= ' ' ' = ' ' ' = ' ' '
) ( 0
0 )
( 2 0 2
2
( ) 2 . 3
existe ) ( completo es ) ( completo es ) ( Si
1
' ' X X X X X
y X X X ' ' =
1
) (
mnimo) un es ptimo el que lo por positiva, definida es ( 2

~ ~
)
~
(
2
X X X X
b b
b
' ' =
' c c
c S
TEMA 3
43
El estimador MCO tiene cinco importantes propiedades. Las tres primeras se cumplen
siempre. Sin embargo, las ltimas dos propiedades se cumplen exclusivamente en el caso
de que el Modelo Lineal General tenga trmino constante.
Las primeras tres propiedades son las siguientes:
1. Las variables explicativas estn incorrelacionadas con los residuos del modelo:
2. Los valores estimados del modelo estn incorrelacionados con los residuos:
3. La suma de los cuadrados de la variable dependiente se puede descomponer en la
suma de dos componentes: por un lado, la suma de los cuadrados de los valores
estimados de la variable dependiente con el mtodo MCO y; por otro lado, la suma
de los cuadrados de los residuos del modelo:

,
1
0 o, en forma algebraica, 0,
n
t k t
t
x k c
=
' = =
X
1
0 o, en forma algebraica, 0
n
t t
t
y c
=
' = =
y
2 2 2
1 1 1
o, en forma algebraica,
n n n
t t t
t t t
y y c
= = =
' ' ' = + = +

y y y y
TEMA 3
44
Las ltimas dos propiedades del estimador MCO que, recordemos, slo se cumplen en el
caso de que exista trmino constante en el Modelo Lineal General, son las siguientes:
4. La suma de los residuos del modelo es nula, es decir:
donde es un vector en el que todos sus elementos son la unidad:
5. La suma de los cuadrados de las desviaciones respecto de su media de la variable
dependiente se puede descomponer en la suma de dos partes: por un lado, la suma de
los cuadrados de las desviaciones respecto de su media de los valores ajustados por
el mtodo MCO y, por otro, la suma de cuadrados de los residuos, es decir:
o, escrito en forma algebraica:

1
0 o, en forma algebraica, 0
n
t
t
c
=
' = =

' ' ' = + y y y y y y y y
) 1 1 1 ( ' =

= = =
+ =
n
t
t
n
t
t
n
t
t
y y y y
1
2
1
2
1
2
) ( ) ( c
TEMA 3
45
A partir de la quinta propiedad algebraica del estimador MCO, si dividimos los dos
miembros de dicha igualdad por el tamao muestral, n, entonces se tiene que:
o, en forma algebraica:
Es decir, la varianza muestral de la variable dependiente se puede descomponer en la
suma de dos partes: en primer lugar, la varianza muestral de los valores estimados por
MCO de la variable dependiente y, por otro lado, la varianza muestral de lo residuos del
modelo.
Si dividimos los dos miembros de la expresin (3.3) por la varianza de la variable
dependiente, entonces se tiene que:

1 1 1
( ) ( ) ( ) ( ) ( )
n n n
' ' ' = + y y y y y y y y
( )

= = =
+ =
n
t
t
n
t
t
n
t
t
n
y y
n
y y
n
1
2
1
2
1
2
1
) (
1 1
c ( ) 3 . 3
2
2
2
2
1
2
1
2
1
2
1
2
1
2
1
2
1
) ( ) 1 (
) 1 (
) ( ) 1 (
) ( ) 1 (
) ( ) 1 (
) ( ) 1 (
y y
y
n
t
t
n
t
t
n
t
t
n
t
t
n
t
t
n
t
t
s
s
s
s
y y n
n
y y n
y y n
y y n
y y n
c
c
+ =
=
=
=
=
=
=
TEMA 3
46

Debido a que las varianzas, por definicin, no pueden ser negativas, entonces el
coeficiente de determinacin debe ser un nmero positivo. Adems, tal y como se
desprende de la expresin (3.3) de la diapositiva anterior, la varianza muestral de la
variable dependiente tiene que ser mayor o igual que la varianza muestral de la variable
dependiente estimada por el mtodo MCO y, debido a ello, el coeficiente de
determinacin es un nmero comprendido entre cero y uno. Debido a que R [0, 1]
entonces, multiplicndolo por 100, el mismo se puede interpretar como un porcentaje,
esto es, como el porcentaje de la variabilidad de la variable dependiente que es explicada
por la variabilidad de las variables independientes x = (x
1
, x
2
, , x
k
).
Definicin:
Definimos el coeficiente de determinacin o Rcuadrado como el cociente entre la
varianza muestral de la variable dependiente estimada por MCO y la varianza de la
variable dependiente, es decir:

2
2
2
2
2
1
2
1
2
2
1 tambin, o,
) ( ) 1 (
) ( ) 1 (
y y
y
n
t
t
n
t
t
s
s
R
s
s
y y n
y y n
R
c
= =
=
=
TEMA 3
47

Al aumentar el nmero de variables explicativas en el Modelo Lineal General
aumentamos la variabilidad de la variable dependiente estimada por el mtodo MCO y,
consecuentemente, provocamos que el Rcuadrado crezca acercndose a la unidad. Pero,
sin embargo, puede que la capacidad explicativa de las nuevas variables independientes
acerca del comportamiento de la variable dependiente sea inexistente. Por ello se calcula
el coeficiente de determinacin corregido, que sirve para compararlo con el R:
1. Si son similares en magnitud se concluye que no hay problemas con los grados de
libertad del modelo y el R puede interpretarse de manera estndar.
2. Si son muy diferentes, entonces el R exagera la capacidad explicativa de las
variables independientes.
Definicin:
Definimos el coeficiente de determinacin corregido como una medida de bondad del
ajuste del modelo economtrico que, a diferencia del coeficiente de determinacin, tiene
en cuenta los grados de libertad del modelo, penalizando la incorporacin de un mayor
nmero de variables explicativas en el mismo. Se calcula como:

) 1 (
1
1
2
2
R
k n
n
R
=
TEMA 3
48
En este apartado llegaremos a demostrar que, si se cumplen los supuestos sobre el Modelo
Lineal General vistos en el Tema 2, entonces la distribucin del vector de coeficientes
estimados por MCO es:
A partir de la distribucin del estimador del vector de coeficientes estimados por MCO se
obtendr el estadstico pivote que nos servir para construir intervalos de confianza del
verdadero valor de los parmetros poblacionales (desconocidos).
Tambin demostraremos que, si se cumplen determinados supuestos, la matriz de
varianzas y covarianzas (MVC de aqu en adelante) de los coeficientes estimados es la
ms pequea de todas las MVC entre todos los estimadores lineales e insesgados de .
As, debido a que:
y, adems, se tiene que:
entonces se podr decir que el vector de coeficientes estimados por MCO es el estimador
lineal e insesgado ptimo de , cuando se dan los supuestos del Modelo Lineal General.

) ) ( ; ( ~
1 2
'X X o N
= )
( E
2 1
( ) ( ) es mnima, MVC o

' = XX
TEMA 3
49
Primera demostracin: el vector de coeficientes estimados tiene distribucin Normal

El estimador por MCO del vector de parmetros poblacionales es:
W es una matriz de dimensin k n y es no estocstica, porque uno de los supuestos del
Modelo Lineal General es que las variables explicativas contenidas en la matriz X son no
estocsticas.
Cada uno de los elementos del vector de coeficientes estimados por MCO es una
combinacin lineal del vector y. As, para j = 1, 2, , k, se tiene que:
donde w
j,1
, w
j,2
, , w
j,n
son los elementos de la fila j-sima de la matriz W e y
1
, y
2
, , y
n
,
son los elementos del vector y.
Puesto que el vector y se distribuye como una Normal (debido a que y = X + , donde a
se le supone una distribucin Normal, y donde X es un trmino no estocstico de y, por
ser X no estocstica y un vector de parmetros), entonces cada uno de los coeficientes
estimados por MCO es una combinacin lineal de Normales y, por lo tanto, es Normal.

Wy y
W
X X X =
' ' =

_
1
) (
n n j j j j
y w y w y w
, 2 2 , 1 1 ,
+ + + = . |
TEMA 3
50
Segunda demostracin: el vector de coeficientes estimados es insesgado

El estimador por MCO del vector de parmetros poblacionales es:
Si operamos en dicha expresin, se tiene que:

Si tomamos esperanzas en la expresin anterior, se llega a que:
Pero, por un lado, como el vector de parmetros poblacionales es un vector de
constantes y, por otro, X es una matriz de variables no estocsticas, entonces:

y X X X ' ' =
1
) (
X X X
X X X
I
X X X X
y
X X X X y X X X
' ' + =
' ' +
' ' =
+ ' ' = ' ' =

1
1 1
1 1
) (

) ( ) (

) ( ) (
) (
_
_
) ) (( ) ( )
( ) ) ( ( )
(
1 1
X X X X X X ' ' + = ' ' + =

E E E E E

0
X X X X X X =
=
' ' + = ' ' + =

)
( ) ( ) ( )
( ) ) (( ) ( )
(
1 1
E E E E E E
TEMA 3
51
Tercera demostracin: obtencin de la MVC del vector de coeficientes estimados

Vamos a demostrar que la MVC del vector de coeficientes estimados por MCO del vector
de parmetros poblacionales tiene la siguiente expresin:
y, adems, vamos a demostrar (a partir de la diapositiva 53) que es la mnima MVC de
entre todas las MVC de los estimadores lineales e insesgados.
Por definicin, la MVC del vector de coeficientes estimados por MCO viene dada por:
Pero, como hemos visto en la demostracin de la insesgadez del vector de coeficientes
estimados, se tiene que:
1. El vector de coeficientes estimados es insesgado, es decir:
2. El vector de coeficientes estimados se puede expresar en funcin del vector de
parmetros poblacionales de la siguiente manera:

1 2
) ( )
(

' = X X o MVC
| | ) )
))(
( )
( ' = E E E MVC
= )
( E
X X X X X X ' ' = ' ' + =
1 1
) (
) (
TEMA 3
52
Tercera demostracin: obtencin de la MVC del vector de coeficientes estimados

Si sustituimos estas dos ltimas expresiones en la MVC del vector de coeficientes
estimados por MCO, se tiene que:
Adems, dado el supuesto de que la matriz de variables independientes X es no
estocstica, entonces:
Por otro lado, dados los supuestos de no autocorrelacin y de homocedasticidad del
vector de perturbaciones del Modelo Lineal General se tiene que E() = I, por lo que:

| | | |
| |
| |
1 1
1 1
) ( ) ( )
(
) ) )(( ) ( ( )
(
)
)(
( )
( ) )
))(
( )
(

' ' ' ' =
' ' ' ' ' =
' = ' =
X X X X X X
X X X X X X

E MVC
E MVC
E MVC E E E MVC
| |
1 1 1 1
) ( ) ( ) ( )
( ) ( ) ( )
(

' ' ' ' = ' ' ' ' = X X X X X X X X X X X X E MVC E MVC
1 1 1 2 1
2 1 1 2 1

( ) ( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( )
MVC E MVC
MVC MVC
o
o o

' ' ' ' ' ' ' = =
' ' ' ' = =
XX X X XX XX X IX XX
XX XX XX XX
I
TEMA 3
53
Cuarta demostracin: optimalidad del vector de coeficientes estimados
Por un lado, el vector de coeficientes estimados por MCO viene dado por:
Sabemos que si la matriz X es no estocstica, entonces se cumple que:
Por otro lado, sea b = Cy cualquier otro estimador lineal del vector de parmetros . Para
que b sea insesgado, se tiene que cumplir que CX sea igual a I. Si CX = I, entonces:

Teorema de Gauss-Markov:
Si se cumplen los supuestos del Modelo Lineal General, entonces el vector de
coeficientes estimados por MCO es el estimador con menor matriz de varianzas y
covarianzas de entre todos los estimadores lineales e insesgados del vector de
parmetros poblacionales del modelo.

X X X W Wy ' ' = =
1
) ( con
1 2
) ( )
( y )
(

' = = X X o MVC E
| |

b
I
CX b
0
C
X
X C b
X C b X C b Cy b
=
=
=
=
+
=
=
+ = + = =
) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) ( ) (
E E E E E
E E E E E E
_
TEMA 3
54
La MVC del estimador b es, por definicin:
Pero, suponiendo que efectivamente CX = I, entonces E(b) = y, adems, se tiene que:
Teniendo en cuenta esto, la MVC del estimador b se puede reescribir como:
Puesto que C = W + D (esto sucede siempre), entonces se tiene que:

C b C b C
I
CX b X C b Cy b = + = +
=
= + = = ) (
| | ) ) ( ))( ( ( ) ( ' = b b b b b E E E MVC
| | | |
| | ( )
C C b C I C b C
I
C b
C C b C C b
b b b b b b b b
' = ' = '
=
' =
' ' = ' =
' = ' =
2 2
2
) ( ) ( ) ( ) (
) ( ) )( ( ) (
) )( ( ) ( ) ) ( ))( ( ( ) (
o o
o
MVC MVC E MVC
E MVC E MVC
E MVC E E E MVC
_
2 2
2
( ) ( )( ) ( ) ( )( )
( ) ( )
MVC MVC
MVC
o o
o
' ' ' = + + = + +
' ' ' ' = + + +
b W D W D b W D W D
b WW WD DW DD
( ) 4 . 3
TEMA 3
55
Vamos a demostrar, analizando cada matriz de la expresin (3.4) que la MVC del
estimador lineal genrico b es mayor que el del vector de coeficientes estimados por
MCO. As:
1. En primer lugar, puesto que W = (XX)
-1
X, entonces:
2. En segundo lugar:
Como hemos supuesto que CX = I, entonces trasponiendo los dos lados de la
igualdad, tambin se tendr que XC = I. Adems, sabemos que W = (XX)
-1
X, por
lo que se tiene que:

1 2 1 1 2 1 1 2 2
) ( ) ( ) ( ] ) ][( ) [(

' = ' ' ' = ' ' ' ' ' = ' X X X X X X X X X X X X X X W W o o o o
| | W X X X C X X X
W C X X X D X X X D W
' ' ' ' ' ' =
= ' ' ' ' = ' ' ' = '

1 1 2
1 2 1 2 2
) ( ) (
) ( ) ( ) (
o
o o o
| | { }
| | | | 0 X X X X X X X X X X X X
X X X X X X I X X W X X X C X X X
= ' ' = ' ' ' ' =
= ' ' ' ' ' ' = ' ' ' ' ' '

1 1 2 1 1 1 2
1 1 1 2 1 1 2
) ( ) ( ) ( ) ( ) (
] ) [( ) ( ) ( ) ( ) (
o o
o o
TEMA 3
56
3. En tercer lugar, puesto que WD = 0, entonces si trasponemos esta expresin, se
tiene que:
4. En cuarto lugar:
es una matriz semidefinida positiva.
As, volviendo a la expresin (3.4) se tiene que:
Por lo tanto, podemos concluir que:
es decir, el vector de coeficientes estimados por MCO tiene la menor MVC de los
estimadores lineales e insesgados.

0 W D 0 D W 0 D W = ' ' = ' ' = '
2 2 2
) ( o o o
) ( ) )( (
2 2 2
W W C W W C C C W C W C D D ' ' ' ' = ' = ' o o o
2 2 2 2
1
2 1
( )
. . ( )
( ) ( ) Matriz s.d.p
MVC
s d p
MVC
o o o o
o
' ' ' ' = + + +

' = = =
' = +
b WW WD DW DD
0 0 XX
b XX
) ( )
( s.d.p Matriz )
( ) ( b b MVC MVC MVC MVC < + =

TEMA 3
TEMA 4
INFERENCIA EN EL MODELO LINEAL GENERAL
4.1. Derivacin del test de Wald
4.2. Uso del test de Wald
4.3. El estadstico F
4.4. Construccin de intervalos de confianza para
4.5. Supuestos del Modelo Lineal General y uso de estadsticos
58
4. INFERENCIA EN EL MODELO LINEAL GENERAL
Por un lado, sea A una matriz de dimensin m k y, por otro lado, sea c un vector de
constantes conocidas de dimensin m 1.
Cualquier hiptesis lineal sobre el vector de parmetros puede expresarse como A = c.
Si, tal y como derivamos en el Tema 3:
entonces se tiene que:
puesto que:
1. En primer lugar, la esperanza matemtica es:
2. En segundo lugar, la matriz de varianzas y covarianzas es:

) ) ( ; ( ~
1 2
'X X o N
) ) ( ; ( ~
1 2
A X X A A A ' '

o N
A A A = = )
( )
( E E
| | | |
| | | | A X X A A
A A A
A A A A A A A A A
' ' = '
=
' ' = ' ' ' =
= ' = ' =
1 2
) (
)
(
)
)(
( )
)(
(
)
)(
( ) )
))(
( )
(
o
_
MVC
E E
E E E E MVC
TEMA 4
59
Pero, si efectivamente se tiene que:
entonces se puede demostrar que se cumple que:
donde m es el nmero de filas de la matriz de coeficientes A o, lo que es lo mismo, es el
nmero de restricciones incluidas en la hiptesis nula del contraste en el que estamos
interesados.
Por lo tanto, bajo la hiptesis nula del contraste, es decir, si A = c, la expresin (4.1) se
convierte en:
Es a esta ltima expresin a la que se la conoce como el test de Wald, y slo es verdad en
el caso en que la hiptesis nula se cumpla, es decir, si y slo si:

) ) ( ; ( ~
1 2
A X X A A A ' '

o N
2 1 1 2

( ) [ ( ) ] ( ) ~
m
o _

' ' ' A A A XX A A A ( ) 1 . 4
2 1 1 2

( ) [ ( ) ] ( ) ~
m
o _

' ' ' A c A XX A A c
c A =
( ) 2 . 4
TEMA 4
60
Si, en el Modelo Lineal General, se desean contrastar, conjuntamente, m hiptesis lineales
sobre los elementos del vector de parmetros poblacionales desconocidos , es decir, se
desea contrastar si se cumple la hiptesis nula:
actuaremos de una manera u otra en funcin de si conocemos o no la varianza del trmino
de perturbacin del modelo. En general, es bastante irreal suponer que conocemos . Por
lo tanto, existen dos posibilidades:
1. En primer lugar, cuando conocemos la varianza del trmino de error del modelo.
2. En segundo lugar, ms realista, cuando desconocemos la varianza del trmino de
error del modelo, teniendo que estimarla.
En este apartado veremos, en primer lugar, cmo contrastar hiptesis lineales cuando la
varianza del error sea conocida para, a continuacin, estudiar cmo hacerlo cuando sta
sea desconocida.

c A =
TEMA 4
61
Primer caso: conocemos la varianza del error del Modelo Lineal General,

Cuando conocemos la varianza del error del Modelo Lineal General, el contraste de
hiptesis se hace como habitualmente.
En primer lugar, calculamos el estadstico de contraste, que viene dado por la expresin:
En segundo lugar, una vez calculado su valor, ste se compara con el valor crtico de una
chi-cuadrado con m grados de libertad: si el valor del estadstico se encuentra a la
izquierda del valor crtico, entonces no se rechaza la hiptesis nula; si, por el contrario,
cae a la derecha, se rechaza H
0
a favor de la hiptesis alternativa.

1 1
2

( ) [ ( ) ] ( )
o

2
. . ( %)
m
v c
_
o
( )% 1 o
0
de rechazo de Zona H
0
de rechazo no de Zona H
x
( ) x f
% o
TEMA 4
62
Segundo caso: desconocemos la varianza del error del Modelo Lineal General,

Cuando desconocemos la varianza del error del Modelo Lineal General, un paso previo a
la realizacin del contraste de hiptesis consiste en estimar . As, en este caso, ms
realista, el procedimiento es el siguiente:
1. En primer lugar, estimamos la varianza del error del modelo, a travs del siguiente
estimador:
Este estimador de la varianza de la perturbacin del modelo est basado en el
mtodo de los momentos. Se divide por el nmero de grados de libertad para que el
estimador sea insesgado.
2. En segundo lugar, una vez estimado la varianza del error, actuamos como en el caso
de varianza del error conocida, usando el siguiente estadstico de contraste:
k n
n
t
t
=1
2
2
c
o
1 1
2

( ) [ ( ) ] ( )
o

TEMA 4
63
Para el caso en el que la varianza del trmino de error del modelo, , es desconocida,
existe un mtodo alternativo al test de Wald expuesto hasta ahora.
Para derivarlo, en primer lugar, tenemos que tener en cuenta (no es difcil de demostrar)
que si el trmino de perturbacin del modelo se distribuye como una Normal, con media
cero, es homocedstica y no presenta problemas de autocorrelacin, es decir, si se cumple
que ~ N(0; I) , entonces se tiene que:
y es independiente de la expresin (4.2) de la diapositiva 59. Dado que las dos
distribuciones chi-cuadrado son independientes, entonces:

2
2
2
~
) (
k n
k n
_
o
o
1 1
2

( ) [ ( ) ] ( )
o

( )
m
n k
2
2
o
o
( ) n k
1 1
,
2

( ) [ ( ) ] ( )
~
m n k
F
mo

' ' '

=
A c A XX A A c
TEMA 4
64
El estadstico F se utiliza exactamente de la misma manera que el test de Wald.
As, para contrastar la hiptesis nula A = c, los pasos que hay que seguir son los
siguientes:
1. En primer lugar, se estima el modelo y = X + por MCO, obtenindose tanto el
vector de coeficientes estimados de los parmetros como (XX)
1
.
2. En segundo lugar, se estima la varianza de la perturbacin aleatoria del modelo como
ya dijimos antes, es decir, como:
3. En tercer lugar, se calcula el estadstico F a travs de la expresin obtenida antes:
4. En cuarto y ltimo lugar, se compara con el valor crtico de una distribucin F con m
grados de libertad en el numerados y n k grados de libertad en el denominador al
nivel de significatividad deseado y se acta como siempre: si el estadstico cae a la
derecha del valor crtico se rechaza H
0
, no rechazndose si cae a la izquierda.
k n
'
=

2
o
1 1
2

( ) [ ( ) ] ( )
F
mo

' ' '
=
A c A XX A A c
( ) 3 . 4
TEMA 4
65
Primer caso especial: contraste de significatividad individual de parmetros

Cuando slo estamos interesados en contrastar si un parmetro poblacional determinado
es nulo, es decir, si nuestra hiptesis nula:
para un determinado j, como, por ejemplo, en el caso especfico de que queramos realizar
el contraste de significatividad individual H
0
:
3
= 0, entonces el valor del estadstico F se
convierte en:
lo que es fcil de comprobar que se cumple operando en la expresin (4.3) donde m = 1 y,
adems:
Pero si se cumple la expresin (4.4) entonces, alternativamente, se tiene que:
0 :
0
=
j
H |
k n
F
Var
F

=
, 1
3
2
3
~
)
|
|
0 , ) ( , ) 0 1 0 0 (
3 2 1
= ' = = c A
k
| | | |
( ) 4 . 4
3
3 3
3

~ , donde ( ) es la desviacin tpica de .
( )
n k
t t dt
dt
|
| |
|

=
TEMA 4
66
Primer caso especial: contraste de significatividad individual de parmetros
Por lo tanto, el contraste de significatividad individual puede llevarse a cabo, de manera
equivalente, a travs de una t de Student con n k grados de libertad. El procedimiento es
el siguiente:
1. En primer lugar, se calcula el estadstico de contraste:
Se calcula el valor absoluto del estadstico porque normalmente el contraste de
significatividad individual se hace a dos colas, es decir, H
1
:
j
0.
2. En segundo lugar, se compara este estadstico con el valor crtico de una t
nk
.
( )
j
j
t
dt
|
|
=
. . ( %)
n k
t
v c o
. . ( %)
n k
t
v c o
( )% 1 o
0
0
x
( ) x f
( )%
2
o
( )%
2
o
TEMA 4
67
Segundo caso especial: contraste de significatividad global de parmetros
En el Modelo Lineal General, dado por la expresin:
Si, una vez estimado por MCO, supongamos que queremos comprobar si alguna de las
variables independientes son capaces de explicar el comportamiento de la variable
dependiente, es decir, estamos interesados en realizar el contraste de significatividad
global:
donde fijmonos que, en la hiptesis nula, no se incluye el parmetro asociado al trmino
constante del Modelo Lineal General.
En este caso concreto, la expresin del estadstico F se reduce a:
siendo el R el coeficiente de determinacin estudiado anteriormente.
N t x x x y
t k t k t t t
, 2, 1, ,
, 3 , 3 2 , 2 1
. . = + + + + + = c | | | |
= = = =
falsa es :
0 :
0 1
3 2 0
H H
H
k
| | | .
k n k
F
R
R
k
k n
F

=
, 1
2
2
~
1 1
TEMA 4
68
4.4. Construccin de intervalos de confianza para
La hiptesis
j
=
j
, que es siempre cierta (por tratarse de una tautologa), implica que:
por lo que si operamos en la expresin (4.3) el estadstico de contraste se simplificara a:
En el caso de que utilicemos el segundo estadstico de contraste propuesto tendramos que
compararlo con el valor crtico de una t de Student con n k grados de libertad, al nivel
de significatividad deseado.
Con esto, se tendr que:
donde es el nivel de significatividad deseado. Por lo tanto, el intervalo de confianza al
(1 )% para el parmetro
j
viene dado por:
j
| = = c A
k n
j
j j
k n
j
j j
t
dt
t F
Var
F

=
= ~
)
amente, alternativ o, , ~
)
(
)
(
, 1
2
|
| |
|
| |
( )
( )
/ 2 / 2 / 2 / 2
/ 2 / 2
Pr 1 Pr 1
( )

Pr ( ) ( ) 1
j j
n k
j
j j j j j
z t z z z
dt
z dt z dt
o o o o
o o
| |
o o
|
| | | | | o
| |
s s = s s = |
|
\ .
s s + =
(1 )% / 2 / 2

( ) ( ); ( )
j j j j j
IC z dt z dt
o o o
| | | | |
(
= +

TEMA 4
69
La distribucin del estadstico de contraste F analizada anteriormente, que vena dado por
la expresin:
se ha deducido sobre la base de dos resultados o supuestos, que son los siguientes:
1. En primer lugar, el vector de coeficientes estimados por MCO se distribuyen de la
siguiente manera:
2. En segundo lugar, el vector de perturbaciones o trminos de error del Modelo Lineal
General son Ruido Blanco, es decir:
Sin embargo:
1. Si no se cumple el primer supuesto, el numerador del estadstico F no se distribuye
como una chi-cuadrado con m grados de libertad.
2. Si no se cumple el segundo supuesto, el denominador del estadstico F no se
distribuye como una chi-cuadrado con n k grados de libertad.
1 1
,
2

( ) [ ( ) ] ( )
~
m n k
F F
mo

' ' '

=
A c A XX A A c
) ) ( ; ( ~
1 2
'X X o N
) ; ( ~
2
I 0 o N
TEMA 4
70
Incumplimiento del primer supuesto
Si no se cumple el primer supuesto mencionado, es decir, si se tiene que:
lo cual puede ocurrir por uno de los siguientes motivos:
1. El vector de perturbaciones del Modelo Lineal General no se distribuye como una
Normal.
2. El vector de variables independientes x son estocsticas.
3. El trmino de error del Modelo Lineal General presenta heterocedasticidad.
4. El trmino de error del Modelo Lineal General presenta autocorrelacin.
Entonces, tal y como se vio en la derivacin del test de Wald, se tiene que:
y, por consiguiente, el estadstico F no se distribuye como una F de Snedecor con m
grados de libertad en el numerador y n k grados de libertad en el denominador.

) ) ( ; ( ~
1 2
'
/
X X o N
1 1
2
2

( ) [ ( ) ] ( )
~
m
_
o

' ' '
/
A c A XX A A c
TEMA 4
71
Incumplimiento del segundo supuesto
Para que se cumpla que:
es necesario que el trmino de error del Modelo Lineal General sea Ruido Blanco, puesto
que, en ese caso, se cumple que:
Este ltimo es un resultado estadstico que dice:

2
2
2
~
) (
k n
k n
_
o
o
2
) (
2
~
Q
Q
tr
_
o
'
Teorema:
Si el trmino de error es Ruido Blanco, es decir, si ~ N(0;
2
I) y, por otro lado, Q es
una matriz idempotente, entonces la forma cuadrtica:
se distribuye como una chi-cuadrado con los g.l. iguales a la traza de la matriz Q.

2
o
Q '
TEMA 4
72
Incumplimiento del segundo supuesto
En nuestro caso, usando el resultado del Teorema anterior, donde la matriz Q se define
como Q = M = I X(XX)
1
X, siendo M una matriz idempotente de dimensiones n k,
entonces tenemos inmediatamente que:
Pero, dado que el vector de residuos del Modelo Lineal General se puede calcular como:
Entonces, operando en la expresin (4.5) se tiene que:
o, teniendo en cuenta que:
2 2
) (
2
~
k n tr
=
'
_ _
o
Q
M
M =
( ) 5 . 4
2
2 2
~

k n
'
=
'
_
o o
M
2
2
2
2
2 2
~
) (
: tiene se finalmente entonces, , ) (

k n
k n
k n
k n

=
'
= '
'
= _
o
o
o
o o

TEMA 4
73
Cualquier incumplimiento de los supuestos del Modelo Lineal General que lleve a que:
har que el estadstico F no se distribuya como una F de Snedecor con m g.l. en el
numerador y n k g.l. en el denominador. Y, en particular, si se tiene que:
Har, en este caso, por va doble, que el estadstico F no se distribuya como una F
m,nk
, ya
que el incumplimiento de los supuestos sobre el vector de perturbaciones afectar tanto
al numerador como al denominador del estadstico de contraste F.
A la distribucin del vector de coeficientes estimados por MCO le afectan los siguientes
incumplimientos de los supuestos del Modelo Lineal General:
1. Las variables independientes x son estocsticas.
2. El vector de parmetros poblacionales no son constantes.
3. La esperanza del vector de parmetros es no nula, E() 0.
4. Existe heterocedasticidad y/o autocorrelacin, es decir, E() I.
5. El vector de trminos de error no sigue una distribucin Normal.
) ) ( ; ( ~
1 2
'
/
X X o N
) ; ( ~
2
I 0 o N
TEMA 4
74
Conclusin y nota final
Si alguno de los supuestos del Modelo Lineal General se incumple y, en particular, si lo
hace alguno de los tres supuestos asociados a entonces el estadstico F no podr usarse
para contrastar hiptesis o construir intervalos de confianza.
Su uso indebido (al ignorar el incumplimiento del supuesto) llevar a aceptar o a rechazar
indebidamente restricciones que harn que especifiquemos mal el modelo. Por otro lado,
los intervalos de confianza no contendrn la probabilidad que deseamos, por lo que las
decisiones que tomemos a partir de ellas se harn con un riesgo no deseado.
Una incorrecta especificacin del modelo, por omisin de alguna variable relevante,
puede llevar a sesgos en la estimacin de los parmetros asociados a las variables
incluidas en el modelo.
Dada la importancia del estadstico de contraste en la especificacin del Modelo Lineal
General, y dado lo sensible que es este estadstico al incumplimiento de los supuestos
sobre el Modelo Lineal General, antes de contrastar ninguna hiptesis es necesario estar
seguro de que los supuestos sobre el Modelo Lineal General se cumplen.
TEMA 4
TEMA 5
PREVISIN CON EL MODELO LINEAL GENERAL
5.1. Clculo de previsiones puntuales
5.2. Error de previsin
5.3. Previsin por intervalos
76
5. PREVISIN CON EL MODELO LINEAL GENERAL
5.1. Clculo de previsiones puntuales
Sea el modelo finalmente especificado el siguiente:
De la misma manera, sea el modelo estimado por MCO:
con una muestra de n observaciones {(x
t,1
, x
t,2
, x
t,3
, y
t
): t = 1, 2, , n}.
Si nuestro inters se centra en prever el valor de y
p
(donde p denota previsin) entonces,
con el modelo estimado, dado por la expresin (5.1), se tendra que su previsin puntual
viene determinado por (sustituyendo t por p):
puesto que suponemos que el valor de x
p,2
y x
p,3
son conocidos (las variables
independientes x son no estocsticas, aunque no necesariamente tienen que ser valores
que tengamos en la muestra). Escrito en forma matricial se tendra que:
donde:
A este valor predicho de la variable dependiente se le denomina predictor.
TEMA 5
t t t t
x x y c | | | + + + =
3 , 3 2 , 2 1
3 , 3 2 , 2 1

t t t
x x y | | | + + =
( ) 1 . 5
1 2 ,2 3 ,3

p p p
y x x | | | = + +
p p
y ' = x
,2 ,3 1 2 3

(1 ) , ( )
p p p
x x ' ' = = x
77
El error de previsin de la variable dependiente, denotada como e
p
, se define como:
es decir, como la diferencia entre el valor real y el estimado por MCO. El error de
previsin es estocstico debido a que la estimacin de la previsin de y
p
es estocstica.
El error de previsin, e
p
, sigue una distribucin Normal, ya que el valor estimado de y
p
se
distribuye como una Normal (por los supuestos del Modelo Lineal General).
Adems, vamos a demostrar que:
1. En primer lugar, la esperanza matemtica del error de previsin es nula, es decir:
2. En segundo lugar, la varianza del error de prediccin, Var(e
p
) viene dado por:

p p p
e y y =
( )
0
p
E e =
( ) ( ) ( )
2 2 1
[1 ( ) ]
p p p p p p
Var e E e e E e o

' ' ' = = = + x XX x
TEMA 5
78
Esperanza matemtica del error de previsin
Por un lado, se tiene que el valor real de la variable dependiente y
p
ser:
mientras que, por otro lado, el valor predicho de la variable dependiente ser:
por lo que la esperanza matemtica del error de previsin, e
p
, vendr dado por:
Puesto que el vector x
p
es no estocstico y, adems, se tiene que:
entonces, finalmente, llegamos a que:
p p
y ' = x
p p p
y c ' = + x
( )

( ) ( )
( )
p p p p p p
p p
E e E y y E
E
' ' = = + =
' ( = +

x x
x
( ) ( ) ( )

( ) ( ) ( ) 0
0
p p p p p p
E e E E E E e ' ' = + = + =
=
=
x x
0

( ) ( ) ,
( ) 0
p
E E
E
= = =
=
0
TEMA 5
79
Varianza del error de previsin
Por definicin, la varianza del error de previsin viene dado por:
Pero, tal y como hemos visto, E(e
p
) = 0, por lo que Var(e
p
) = E(e
p
e
p
) = E(e
p
2
). Entonces,
aplicando la definicin de error de previsin y como el vector x
p
es no estocstico, se
tiene que:
Analizando las esperanzas matemticas de cada uno de los trminos de la ltima igualdad
de la expresin (5.2) llegaremos a la varianza del error de previsin, Var(e
p
).
( ) { } { }
2
[ ( )][ ( )] [ ( )]
p p p p p p p
Var e E e E e e E e E e E e ' = =
( ) ( ) ( ) { }
{ }
2

[ ( ) ][ ( ) ]

[ ( ) ][( ) ]

( )( ) ( ) ( )

( )( )
p p p p p p p p
p p p p
p p p p p p p p
p p
Var e E e e E e E
E
E
E
' ' ' ' = = = + + =
' ' ' = + + =
' ' ' ' ' ' ( = + + + =

' ' ' ( = +

x x
x x
x x x x
x x x
( )

( ) ( )
p p p p p p
E E E ' ' ' ( ( + +

x
( ) 2 . 5
TEMA 5
80
En la ltima igualdad de la expresin (5.2) se tiene que:
1. La esperanza del primer trmino no es ms que la MVC del vector de coeficientes
estimados por MCO y, como ya sabemos:
2. La esperanza del segundo trmino es nula. Como ya demostramos antes:
Entonces, se tiene que:
puesto que, por el supuesto de no autocorrelacin entre los trminos de error, las
esperanzas del ltimo trmino son nulas.

2 1

( ) ( )( ) ( )( ) ( ) MVC E E o

( (
' ' ' = = =

XX
X X X X X X ' ' = ' ' + =
1 1
) (
) (
( )
( )
( )
( )
1 1
1
1
2 2 1 1
( ) ( ) ( )
( ) ( )
p p p
p
p
p
n
n p
E E E
E
E
E
E
c
c
c c
c
c

' ' ' ' ' ' ' ( ( = = =

' | |
| | | |
|
| |
'
|
| |
' ' ' ' ' = = =
|
| |
|
| |
|
'
\ . \ .
\ .
XX X XX X
XX X XX X 0
TEMA 5
81
3. La esperanza del tercer trmino tambin es nula, por ser la traspuesta del segundo
trmino:
4. La esperanza del cuarto trmino es igual a la varianza poblacional de la perturbacin
del Modelo Lineal General, puesto que:
donde se ha utilizado el hecho de que
p
es un escalar.
Entonces, sustituyendo toda esta informacin en la expresin (5.2) se tiene que:

[ ( ) ] [( ) ]
p p
E E ' ' ' = =
=
0
0
2 2
( ) ( ) ( )
p p p p
E E Var c c c c o ' = = =
( )
( ) ( ) ( )
2 1
2
2 1 2
( )

( )( ) ( ) ( ) ( )
( )
( )
( )
p p p p p p p p p
p p p p p
p
p
Var e E E E E
Var e Var y Var
Var
Var y
o
o
o o c
c
' =
= =
=
' ' ' ' ' ' ( ( ( = + + + =

' ' = + = +
=
=
XX
0 0
x x x x
x XX x
TEMA 5
82
Por lo tanto, hemos demostrado que el error de previsin e
p
se distribuye de la siguiente
manera:
donde:
Si estandarizamos, es decir, si restamos a e
p
su esperanza matemtica y, a todo ello, lo
dividimos por su desviacin tpica, entonces se tiene que:
Adems, puesto que:
siendo la ltima igualdad un estadstico pivote que utilizaremos para calcular intervalos
de confianza para y
p
.
( )
2 2
~ (0; ), donde
p p p p
e N Var e o o = A A
1
1 ( )
p p p
' ' = + A x XX x
2
~ (0; 1)
p
p
e
N
o A
2
2
2
2
( )
~ , entonces
p
n k
e
n k o
_
o
o
( )
p
n k
A
2
2
o
o
( ) n k
2
~
p
n k
p
e
t
o

=
A
( ) 3 . 5
TEMA 5
83
Una vez obtenido el estadstico pivote dado por la expresin (5.3), es posible llevar a cabo
la previsin por intervalos (calcular un intervalo de confianza) del valor de y
p
.
A un nivel de significatividad de % se tiene que:
Para grados de libertad elevados, es decir, cuando n k es grande, la distribucin t de
Student se aproxima a una distribucin Normal estandarizada.
Utilizando el estadstico pivote y operando:
( )
/ 2 / 2
Pr 1
n k
z t z
o o
o
s s =
( )
( )
( )
/ 2 / 2 / 2 / 2
2
2 2
/ 2 / 2
2 2
/ 2 / 2
Pr 1 Pr 1
Pr 1
Pr 1

p
n k
p
p p p
p p p p
e
z t z z z
z e z
z y y z
o o o o
o o
o o
o o
o
o o o
o o o
| |
|
s s = s s =
|
\ .
s s =
s s =
A
A A
A A
( )
2 2
/ 2 / 2
Pr 1
p p p p p
y z y y z
o o
o o o s s + = A A
TEMA 5
84
Por lo tanto, el intervalo de confianza para y
p
con un nivel de confianza del (1)% ser:
siendo la desviacin tpica del error de previsin:
Pero, al mismo tiempo que podemos estar interesados en construir intervalos de confianza
para la previsin de y
p
, tambin podemos estar interesados en calcular cul es la
probabilidad de ocurrencia de determinados sucesos como, por ejemplo, Pr(y
p
> y
0
),
siendo y
0
un determinado valor de la variable dependiente y. Si operamos, tendremos que:
probabilidad que puede ser consultada en las tablas de la t de Student con n k grados de
libertad, ya que todos los trminos de la misma son conocidos.
( )
2
(1 )% / 2

p p p
IC y y z
o o
o
(
=

A
( )
2
p p
dt e o = A
( )
0
0
2 2
0 0
2 2 2

Pr Pr

Pr Pr

p p p
p
p p
p p p
n k
p p p
y y y y
y y
e y y y y
t
o o
o o o
| |

|
> = >
|
\ .
| | | |

| |
= > = >
| |
\ . \ .
A A
A A A
TEMA 5
TEMA 6
EXTENSIONES
6.1. Restricciones sobre los parmetros
6.2. Mnimos Cuadrados Restringidos (MCR)
6.3. Reflexin sobre los supuestos del Modelo Lineal General
6.4. Estimacin Mximo-Verosmil del Modelo Lineal General
86
6. EXTENSIONES
En este apartado partimos de un modelo cuya especificacin no es la ms adecuada
porque contiene:
1. O bien ms variables explicativas de las necesarias, es decir, incluye algunas
variables x que son irrelevantes o superfluas.
2. O bien existen restricciones lineales del tipo A = c entre los parmetros del modelo
que no se han incorporado al mismo.
En este apartado demostraremos dos proposiciones muy importantes:

TEMA 6
Proposicin 1:
Si restringimos un modelo con restricciones verdaderas, entonces ganaremos precisin
en la estimacin de los coeficientes y, por lo tanto, tambin en la previsin de la
variable dependiente y.

Proposicin 2:
Si restringimos un modelo con restricciones falsas, entonces perderemos la insesgadez
del estimador MCO asociado a los parmetros poblacionales desconocidos del modelo
restringido.

87
6. EXTENSIONES
Acerca de la Proposicin 1
Supongamos que partimos del siguiente modelo correcto o restringido:
y, sin embargo, especificamos el siguiente modelo incorrecto o sin restringir:
Cuando, efectivamente, el parmetro
3
= 0 entonces, para estimar
1
y
2
es mejor aplicar
el mtodo MCO al modelo restringido que al modelo sin restringir, ya que, hacindolo as,
ganaremos precisin en la estimacin de
1
y
2
.
De la misma manera, supongamos que partimos del siguiente modelo correcto o
restringido:
y, sin embargo, especificamos el siguiente modelo incorrecto o sin restringir:
De nuevo, en este caso, es mejor aplicar el mtodo MCO al modelo restringido que al
modelo sin restringir. De esta manera la estimacin de
1
y
2
y, por lo tanto, de
3
(puesto
que
2
=
3
) ser ms precisa.

t t t
x y c | | + + =
2 , 2 1
t t t t
x x y c | | | + + + =
3 , 3 2 , 2 1
3 2 3 , 2 , 2 1 3 , 3 2 , 2 1
que puesto , ) ( | | c | | c | | | = + + + = + + + =
t t t t t t t
x x x x y
t t t t
x x y c | | | + + + =
3 , 3 2 , 2 1
( ) 1 . 6
( ) 2 . 6
TEMA 6
88
6. EXTENSIONES
Acerca de la Proposicin 2
Si, por el contrario, el parmetro poblacional
3
0 en el modelo dado por la expresin
(6.1) y aplicamos el mtodo MCO al modelo restringido y
t
=
1
+
2
x
t,2
+
t
, entonces los
estimadores MCO de los parmetros
1
y
2
sern, por lo general, sesgados.
Pero hay una excepcin: el caso en el que la variable indebidamente omitida sea ortogonal
a las variables incluidas. Esto es, si, en nuestro ejemplo, se cumple que:
entonces, si estimamos el modelo restringido, pese a que
3
0, se seguira cumpliendo
que el estimador MCO del parmetro
2
es insesgado, es decir:
De la misma manera, si en el modelo dado por la expresin (6.2) se tiene que
2

3
pero
se impone que
2
sea igual a
3
, entonces si aplicamos MCO al modelo restringido
(incorrectamente especificado, en este caso) se obtendrn estimadores sesgados.
El sesgo de un estimador vendr dado por:

=
=
n
t
t t
x x
1
3 , 2 ,
0
2 2
)
( | | = E
)
(
~
)
~
(
j j j
E Sesgo | | | =
TEMA 6
89
6. EXTENSIONES
6.2. Mnimos cuadrados restringidos (MCR)
Estimar un modelo utilizando el mtodo de Mnimos Cuadrados Restringidos (MCR de
aqu en adelante) es lo mismo que aplicar el mtodo MCO al modelo restringido y,
despus, utilizar la restriccin para estimar los parmetros que aparecen en el modelo sin
restringir.
Alternativamente, puede obtenerse MCR resolviendo el siguiente problema de
optimizacin con restricciones:
es decir, consiste en minimizar la suma de los cuadrados de los residuos pero, a diferencia
de cuando se estimaban por MCO, teniendo en cuenta que se imponen una serie de
restricciones sobre los parmetros a estimar.
La funcin auxiliar de Lagrange asociada a este problema de minimizacin con
restricciones es:
siendo = (
1
,
2
, ,
m
) un vector que contiene por elementos tantos multiplicadores
auxiliares de Lagrange como restricciones existan.

c b A
b X X b b X y y y b
b
=
' ' + ' ' = ' =
~
: a sujeto
~ ~ ~
2
~ ~
)
~
(
}
~
{
S Min
)
~
( 2
~ ~ ~
2 )
~
( )
~
( ) ;
~
( c b A b X X b b X y y y c b A b b ' ' ' + ' ' = ' = S L ( ) 3 . 6
TEMA 6
90
6. EXTENSIONES
Las condiciones necesarias de primer orden de ptimo asociadas a (6.3) son:
Si operamos en la primera de las condiciones de primer orden, tenemos que:
Pre-multiplicando esta ltima expresin por la matriz A, se tiene que:
Despejando el vector de multiplicadores de Lagrange estimado en la expresin anterior:
( )
2 2 ( )
( ; )

0 2 2 2 0
; 2 2 ( )
0 2( ) 0
( ' ' ' ' ' c +
c

' ' ' ' = = + =
c c
( ' ' ' ' ' c c +

= = =
c c
L
L
MCR
MCR
y y y Xb b XXb Ab c
b
y X XX A
b b
b y y y Xb b XXb Ab c
A c

A X X y X X X
A X X y X
A X X X y A X X X y
MCR
MCR
MCR MCR
) ( ) (

0

0

0
2 2
1 1
' ' + ' ' =
= ' ' + '
= ' ' ' + ' = ' ' ' + '

A X X A A c A X X A
y X X X A
c
A
MCO
MCO
MCR

) (

) (
) (
1 1 1
' ' + = ' ' +
=
' ' =
=

_ _
( ) 4 . 6
| | )
( ) (

) (
1
1 1
MCO MCO
A c A X X A A X X A A c ' ' = ' ' + =

( ) 5 . 6
TEMA 6
91
6. EXTENSIONES
Finalmente, sustituyendo la expresin (6.5) en la (6.4) llegamos a que:
Vemos que el estimador obtenido por el mtodo MCR es igual al estimador MCO
(obtenido del modelo sin restringir) ms un trmino que depende, asimismo, del
estimador MCO. Por lo tanto, para calcular el estimador MCR utilizando la expresin
(6.6) habra que:
1. Aplicar MCO al modelo sin restringir y obtener el vector de coeficientes estimados
por MCO.
2. Calcular, utilizando el vector de coeficientes estimados por MCO anterior, la
expresin:
donde la matriz X es la correspondiente al modelo sin restringir, y sumarlo al vector
de coeficientes estimados por MCO.
La expresin (6.6) se ha obtenido para poder demostrar tanto la Proposicin 1 como la
Proposicin 2 adelantadas en la diapositiva 86. A continuacin, empezaremos
demostrando la Proposicin 2 y, posteriormente, la Proposicin 1.
| | )
( ) ( ) (

1
1 1
MCO MCO MCR
A c A X X A A X X ' ' ' ' + =

( ) 6 . 6
| | )
( ) ( ) (
1
1 1
MCO
A c A X X A A X X ' ' ' '

TEMA 6
92
6. EXTENSIONES
Demostracin de la Proposicin 2
Tal y como hemos visto:
Sin embargo, ya vimos, al derivar la insesgadez del vector de coeficientes estimados por
MCO, que:
con lo cual podemos rescribir la expresin (6.7), y reordenando trminos, llegamos a que:
donde L (XX)
1
(XX)
1
A[A(XX)
1
A]
1
A(XX)
1
.

Proposicin 2:
Si restringimos un modelo con restricciones falsas, entonces perderemos la insesgadez
del estimador MCO asociado a los parmetros poblacionales desconocidos del modelo
restringido.

| | )
( ) ( ) (

1
1 1
MCO MCO MCR
A c A X X A A X X ' ' ' ' + =

X X X
MCO
' ' + =
1
) (
( ) 7 . 6
| | | | { }
| | X L A c A X X A A X X
X X X A c A X X A A X X X X X
MCR
' + ' ' ' ' + =
= ' ' + ' ' ' ' + ' ' + =

) ( ) ( ) (
) ( ) ( ) ( ) (
1
1 1
1
1
1 1 1
( ) 8 . 6
TEMA 6
93
6. EXTENSIONES
Pero teniendo en cuenta, por un lado, que E() = 0 y, por otro lado, que las matrices A y X
son no estocsticas, entonces, tomando esperanzas en la expresin (6.8) se tiene que:
Por lo tanto, existen dos posibilidades:
1. Si A = c, es decir, si la restriccin es cierta, entonces MCR es insesgado:
2. Si A c, es decir, si la restriccin es falsa, entonces MCR es sesgado:

| | { }
| |

| | ) ( ) ( ) (
) ( ) ( ) ( ) (
) ( ) ( ) ( )
(
1
1 1
1
1 1
1
1 1
A c A X X A A X X
0
X L A c A X X A A X X
X L A c A X X A A X X
MCR
' ' ' ' + =
=
=
' + ' ' ' ' + =
= ' + ' ' ' ' + =

E
E E
| |
0
A c A X X A A X X
MCR MCR
=
=
' ' ' ' + =

)
( ) ( ) ( ) ( )
(
1
1 1
E E
_
| |
0
A c A X X A A X X
MCR MCR
=
=
' ' ' ' + =

)
( ) ( ) ( ) ( )
(
1
1 1
E E
_
TEMA 6
94
6. EXTENSIONES
Es decir, la Proposicin 1 nos dice que si A = c, entonces el estimador MCR es ms
eficiente o preciso que el estimador MCO (aplicando ambos estimadores sobre el modelo
sin restringir).
Dado que, tal y como se puede ver en la expresin (6.8), cuando A = c, se tiene que:
donde L (XX)
1
(XX)
1
A[A(XX)
1
A]
1
A(XX)
1
.
Si ste es el caso, la MVC del estimador MCR es:

Proposicin 1:
Si restringimos un modelo con restricciones verdaderas, entonces ganaremos precisin
en la estimacin de los coeficientes y, por lo tanto, tambin en la previsin de la
variable dependiente y.

| | X L X L
0
A c A X X A A X X
MCR MCR
' + = ' +
=
' ' ' ' + =

) ( ) ( ) (
1
1 1
_
| | | | ) )( ( )
)(
( )
( ' ' ' = ' = X L X L

MCR MCR MCR
E E MVC ( ) 9 . 6
TEMA 6
95
6. EXTENSIONES
Pero, dado que las matrices L y X son no estocsticas, entonces, operando en la expresin
(6.9) se tiene que:
Pero, como LXXL = L (el alumno debe demostrarlo), entonces se tiene que:
Pero, como se tiene que: (i) en primer lugar,
2
(XX)
1
es la MVC del estimador MCO y,
(ii) en segundo lugar, la matriz (XX)
1
A[A(XX)
1
A]
1
A(XX)
1
es definida positiva,
entonces:
lo cual demuestra la mayor precisin del estimador MCR cuando la restriccin es cierta.
| | L X X L L X
I
X L L X X L X L X L
MCR
' ' = '
=
' ' = ' ' ' = ' ' ' =
2
2
) ( ) ( ) )( ( )
( o
o
_
E E E MVC
| | { }
| |
1
1
1 1 2 1 2
1
1
1 1 1 2 2 2
) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( )

' ' ' ' ' + ' =
= ' ' ' ' ' + ' = = ' ' =
X X A A X X A A X X X X
X X A A X X A A X X X X L L X X L
MCR
o o
o o o MVC
| |
)
( )
(
) ( ) ( ) ( ) ( )
(
1
1
1 1 2 1 2
MCO MCR
MCR

X X A A X X A A X X X X
MVC MVC
MVC
<
' ' ' ' ' + ' =

o o
TEMA 6
96
6. EXTENSIONES
Comentario final
Restringir un modelo con restricciones ciertas es conveniente ya que se gana precisin en
la estimacin de los parmetros y, tambin, como se demuestra en el Tema 5, en la
previsin de la variable dependiente y.
Sin embargo, hay que tener en cuenta que introducir restricciones falsas lleva a introducir
sesgos en la estimacin de los coeficientes.
Nunca sabremos si una determinada restriccin es cierta o falsa con certeza, por lo que
siempre habr una probabilidad de errar. Existen dos tipos de errores:
1. Error de Tipo I: consiste en rechazar H
0
: A = c cuando sta es verdadera, lo que
conduce a una prdida de eficiencia.
2. Error de Tipo II: consiste en no rechazar H
0
: A = c cuando sta es falsa, lo que
produce sesgos.
En los dos casos el estadstico F juega un papel fundamental y, por lo tanto, es necesario
que todos los supuestos del Modelo Lineal General se cumplan para que el estadstico
pueda ser utilizado con garantas de xito, esto es, con garantas de que no nos engae
ms de lo asumido por nosotros (al nivel de significatividad elegido).

TEMA 6
97
6. EXTENSIONES
Comentario final
Existen dos tipos de errores:
1. Error de Tipo I: consiste en rechazar H
0
: A = c cuando sta es verdadera, lo que
conduce a una prdida de eficiencia
2. Error de Tipo II: consiste en no rechazar H
0
: A = c cuando sta es falsa, lo que
produce sesgos.
El error de Tipo I tiene que ver con el nivel de significatividad elegido (1, 5 y 10% son los
ms habituales en la prctica).
Por su parte, el error de Tipo II tiene que ver con la potencia del contraste de hiptesis. A
mayor potencia del contraste, menor ser el error de Tipo II. Dicha potencia tiene que ver,
entre otras cosas, con:
1. En primer lugar, el nmero de observaciones de la muestra. As, a mayor nmero de
observaciones, mayor ser la potencia del contraste, y viceversa.
2. En segundo lugar, la precisin del estadstico utilizado. As, cuanto ms preciso sea el
estadstico, ms potente ser el contraste.

TEMA 6
98
6. EXTENSIONES
En la formulacin del Modelo Lineal General se han hecho supuestos sobre:
1. Los parmetros poblacionales desconocidos, .
2. Las variables explicativas o independientes, x.
3. Las perturbaciones o trmino de error del modelo, .
4. La variable a explicar o variable dependiente, y.
Todos y cada uno de los supuestos tienen efectos sobre las propiedades estadsticas del
vector de coeficientes estimados por MCO, as como sobre su distribucin y sobre la
distribucin del estadstico de contraste, por lo que antes de comenzar a utilizar el Modelo
Lineal General es necesario investigar si se cumplen o no los supuestos con los que ha
sido construido.
En este apartado analizaremos el incumplimiento de los supuestos sobre los parmetros
y sobre las variables independientes x y estudiaremos:
1. Las causas y las consecuencias de los incumplimientos.
2. Cmo detectar cada uno de los incumplimientos de los supuestos.
3. Cmo solucionar los incumplimientos.

TEMA 6
99
6. EXTENSIONES
Supuesto de parmetros poblacionales, , constantes (introduccin)
Consideremos el siguiente sencillo modelo con un nico regresor:
Si el parmetro poblacional ha permanecido constante durante los 50 periodos de la
muestra (o con los 50 individuos de la muestra, en funcin del tipo de datos con el que
estemos trabajando), entonces tendremos:
Si ste es el caso se dice que no ha existido cambio estructural. Pero si, por el contrario,
1
cambia a partir de, por ejemplo, el periodo (o individuo) 20, entonces se tendra que:
Si estamos en esta situacin se dice que ha habido cambio estructural (o cambio de
estructura) a partir del periodo (o individuo) nmero 20.

50 , , 2 , 1 ,
1
. = + = t x y
t t t
c |
. : 50 Para
, : 1 Para
50 50 1 50
1 1 1 1
c |
c |
+ = =
+ = =
x y t
x y t
.
. : 50 Para
, : 20 Para
, : 9 1 Para
, : 1 Para
50 50 1 50
20 20 1 20
19 19 1 19
1 1 1 1
c
c
c |
c |
+ = =
+ = =
+ = =
+ = =
x y t
x y t
x y t
x y t
. .
( ) 10 . 6
TEMA 6
100
6. EXTENSIONES
Supuesto de parmetros poblacionales, , constantes (causas y consecuencias)
Los cambios estructurales estn asociados a hechos relevantes que hacen cambiar el
comportamiento de los agentes que es el que crea la relacin entre las variables
independientes x y la variable dependiente y.
Por ejemplo, si estamos analizando la relacin entre los tipos de inters a distintos plazos,
entonces el pnico en un periodo de crisis puede ocasionar que una relacin que durante
aos haba sido estable entre el tipo de inters a muy corto plazo (1 da, que maneja el
Banco Central) y el tipo a ms largo plazo (1 ao, que se fija en el mercado
interbancario), se modifique. Hasta el punto de interrumpir la conexin entre ambos, tal y
como sucedi al comienzo de esta ltima crisis.
Si estimamos por MCO el modelo dado por la expresin (6.10) habiendo cambio
estructural, y utilizamos todas las observaciones en la estimacin, entonces el coeficiente
estimado por MCO del parmetro
1
no ser un estimador insesgado ni de
1
ni de
1
ya
que estimar un solo parmetro para el total de la muestra es equivalente a incorporar al
verdadero modelo (que es el que tiene dos parmetros,
1
para la primera parte de la
muestra, y
1
para la parte final de la muestra) la restriccin falsa de que
1
=
1
= . La
incorporacin de restricciones falsas produce sesgos, como ya vimos anteriormente.

TEMA 6
101
6. EXTENSIONES
Supuesto de parmetros poblacionales, , constantes (deteccin)
Una vez estimado el modelo (6.10) y si durante el periodo de la muestra han ocurrido
sucesos destacados que pudieran hacernos pensar en un cambio de estructura, entonces
deberamos investigarlo. Por ejemplo, supongamos que, como hemos hecho antes, a partir
del periodo 20 se sospecha que hay un cambio de estructura.
Si es as, ante la sospecha podramos especificar el siguiente modelo:
donde las variables y
t
y x
t
son las mismas que en (6.10), y donde d1
t
y d2
t
son variables
dicotmicas que toman los posibles valores {0, 1} en funcin del periodo de la muestra en
el que nos encontremos. As, de esta manera, se tiene que:
As, se tendra, por ejemplo:

1 1
( 1 ) ( 2 ) , 1, 2, , 50 | c = + + =
t t t t t t
y x d x d t
=
=
=
=
=
=
50, , 21, , 20 si , 1
19, , 2, , 1 si , 0
2
50, , 21, , 20 si , 0
19, , 2, , 1 si , 1
1
.
.
.
.
t
t
d
t
t
d
t t
1) 2 , 0 1 ( ,
0) 2 , 1 1 ( ,
22 22 22 22 1 22
18 18 18 18 1 18
= = + =
= = + =
d d x y
d d x y
c
c |
( ) 11 . 6
TEMA 6
102
6. EXTENSIONES
Supuesto de parmetros poblacionales, , constantes (deteccin)
El modelo dado por la expresin (6.11) sera el modelo no restringido, frente al modelo
restringido, que es el modelo dado por la expresin (6.10), en donde se tendra, por
ejemplo:
En el modelo sin restringir (6.11) se puede contrastar, de la manera habitual:
Si no se rechaza la hiptesis nula, entonces no ha habido cambio de estructura. Si, por el
contrario, si s se rechaza la hiptesis nula, entonces s ha existido tal cambio estructural.
El estadstico de contraste es, en este ejemplo concreto:
donde S
r
es la suma de cuadrados de los residuos del modelo restringido, mientras que S
es la suma de cuadrados de los residuos del modelo sin restringir, es decir:

22 22 1 22
18 18 1 18
,
c |
c |
+ =
+ =
x y
x y
0 : emente, equivalent o, , :
1 1 0 1 1 0
= = | | H H
48 , 1
~
1
2 50
F
S
S S
m
k n
S
S S
F
r r

=

=
(6.10) modelo el en , ' = S
TEMA 6
103
6. EXTENSIONES
Supuesto de parmetros poblacionales, , constantes (solucin)
Si se ha detectado un cambio de estructura como en el ejemplo anterior, entonces habr
que estimar cada modelo con su muestra o, lo que es lo mismo, estimar y utilizar el
mtodo MCO restringido.
As, si partimos del modelo:
y se ha detectado y contrastado un cambio estructural en el comportamiento del parmetro
2
a partir del periodo (o a partir del individuo) t = h, entonces deberamos construir dos
modelos diferentes, el primero de los cuales sera:
mientras que el segundo sera:
y estimar estos dos modelos por MCO. Si no lo hiciramos de esta manera obtendramos
estimadores sesgados.

T t x x y
t k t k t t
, , 2 , 1 ,
, 2 , 2 1
. . = + + + + = c | | |
1 , , 2 , 1 ,
, 2 , 2 1
= + + + + = h t x x y
t k t k t t
. . c | | |
T h t x x y
t k t k t t
, , 2 , ,
, 2 , 2 1
. . = + + + + = c | o |
TEMA 6
104
6. EXTENSIONES
Supuesto de variables independientes, x, linealmente independientes
Cuando se formul el Modelo Lineal General, se supuso que las variables independientes,
x, eran linealmente independientes, es decir, que:
Sin embargo, es posible que este supuesto no se cumpla. Existen dos tipos de
incumplimiento de este supuesto:
1. Cuando una variable explicativa (o ms de una) es una combinacin lineal exacta del
resto de las variables independientes, es decir, cuando:
En este caso estamos ante un problema de multicolinealidad exacta.
2. Cuando una variable explicativa (o ms de una) es una combinacin lineal casi exacta
(pero no perfecta) del resto de las variables independientes, es decir, cuando:
En este caso estamos ante un problema de multicolinealidad aproximada.

9 e + + + + + + =
+ + k k k j j j j j
2 1 1 1 1 1 2 2 1 1
. . .
( ) 12 . 6 9 e + + + + + + =
+ + k k k j j j j j
2 1 1 1 1 1 2 2 1 1
. . .
9 e + + + + + + ~
+ + k k k j j j j j
2 1 1 1 1 1 2 2 1 1
. . .
TEMA 6
105
6. EXTENSIONES
Multicolinealidad exacta (causas y consecuencias)
Las causas ms probables por las que se produce la multicolinealidad exacta son las
siguientes:
1. Cuando ha existido un error en la especificacin del modelo. Por ejemplo, si
incluimos como variables independientes del modelo (todas ellas medidas en minutos
a la semana): sleep, que mide cunto duerme una persona; work, que mide cunto
trabaja una persona; y leisure, que mide cunto dedica al ocio una persona, y una
persona tiene que emplear su tiempo a una de estas tres actividades en cada instante,
entonces es obvio que la informacin de cada una de las variables est contenida en
las otras dos.
2. Por casualidad. Durante el periodo muestral, y por mero azar, se ha dado la relacin
(6.12). Esto suele ocurrir cuando el tamao de la muestra es pequeo.
En caso de tener multicolinealidad exacta, el estimador MCO del vector de parmetros
tiene infinitas soluciones, porque el sistema de ecuaciones normales:
tiene infinitas soluciones, al haber ms incgnitas que ecuaciones independientes.

y X X X ' = '

) (
TEMA 6
106
6. EXTENSIONES
Multicolinealidad exacta (deteccin y solucin)
En la prctica, la mayora de los paquetes economtricos, cuando se encuentran con un
problema de multicolinealidad exacta, no sern capaces de invertir la matriz (XX), y nos
avisarn de una u otra manera. As, por ejemplo, EViews nos mostrar el siguiente
mensaje de error:
Para solucionar el problema de la multicolinealidad exacta: (i) en el caso de que el
problema se deba a un error en la especificacin del modelo, la solucin pasa por
eliminar del modelo una de las variables independientes con problemas y; (ii) si la
multicolinealidad exacta es consecuencia de un tamao muestral excesivamente pequeo
y se da por casualidad, la solucin pasa por aumentar la muestra.

TEMA 6
107
6. EXTENSIONES
Multicolinealidad aproximada (causas y consecuencias)
Las causas ms habituales por las que se produce la multicolinealidad aproximada son las
siguientes:
1. Cuando nos encontramos que el modelo ha sido estimado con un tamao muestral
reducido.
2. Cuando las variables explicativas x tienen, cada una de ellas, poca informacin
independiente sobre la variable a explicar y.
3. Cuando se han incluido variables independientes que son irrelevantes o superfluas en
el modelo.
Las principales consecuencias de encontrarnos con el problema de la multicolinealidad
aproximada son las dos siguientes:
1. Los parmetros poblacionales se estiman con poca precisin, lo cual provoca que los
intervalos de confianza sean excesivamente amplios.
2. El estadstico t tiende a no rechazar la hiptesis nula H
0
:
j
= 0 y, por lo tanto, existe
el peligro de eliminar variables relevantes del modelo, lo cual, como ya hemos visto,
ocasionara sesgos.

TEMA 6
108
6. EXTENSIONES
Multicolinealidad aproximada (deteccin)
Hay dos maneras de detectar un problema de multicolinealidad aproximada:
1. El primero de ellos es cuando muchos o todos los parmetros del vector no
rechazan la hiptesis nula de ausencia de significatividad individual pero, sin
embargo, la hiptesis nula del contraste de significatividad global H
0
:
2
=
3
= =
k
= 0 se rechaza de forma contundente. En este caso es casi seguro que tenemos un
problema de multicolinealidad aproximada.
En este caso, se tendr que:
Si |XX| 0, entonces los elementos de (XX)
1
sern muy grandes y, por lo tanto,
tendremos que el estadstico t adopta valores muy pequeos al ser muy grande la
desviacin tpica del coeficiente estimado.
2. El segundo de ellos es cuando regresiones del tipo
con un R
2
muy alto, es decir, la informacin de x
j
est incluida, en gran parte, en x
j
.

X X
X X
X X
'
'
= ' =

) (
) ( )
(
2 1 2
Adj
MVC o o
t k t k j t j j t j t t j
u x x x x x x + + + + + + + =
+ + , 1 , 1 1 , 1 2 , 2 1 , 1
. .
TEMA 6
109
6. EXTENSIONES
Multicolinealidad aproximada (solucin)
La solucin va a depender, de manera fundamental, de la causa por la que se ha producido
la multicolinealidad aproximada. As:
1. Si estamos en el primer caso, es decir, si tenemos un problema de muestra pequea,
la solucin pasa por aumentar el tamao de la muestra.
2. Si estamos en el segundo caso, es decir, si las variables independientes x tienen, cada
una de ellas, poca informacin sobre la variable dependiente y, no hay ninguna
solucin generalmente aceptada. Habr que aceptar el hecho de que los parmetros
no puedan estimarse con precisin y, por lo tanto, deberemos tener cuidado a la hora
de suprimir variables del modelo. Si estamos en este caso, tendremos que ser ms
flexibles o permisivos, y los contrastes habra que llevarlos a cabo con un nivel de
significatividad mayor del 5% como, por ejemplo, a niveles del 10 o del 15%.
3. Si estamos en el tercer caso, es decir, si tenemos variables independientes que son
superfluas o irrelevantes en el modelo, entonces la solucin pasa, exclusivamente,
por eliminar las variables irrelevantes.

TEMA 6
110
6. EXTENSIONES
Partiendo del Modelo Lineal General escrito en forma matricial:
La funcin de verosimilitud de y es:
siendo el ltimo trmino la matriz jacobiana. As, bajo el supuesto de Normalidad de los
trminos de error del modelo, , se tiene que:
donde se ha tenido en cuenta que, en el Modelo Lineal General, la matriz jacobiana es
igual a la unidad.
El logaritmo neperiano de la funcin de verosimilitud es:

X y + =
y
X y
c
c
+ = ) , ( ) , , (
2 2
o o f f
| |
)
`
' =
=
c
c
)
`
' =
) ( ) (
2
1
exp ) 2 (
) (
2
1
exp ) 2 ( ) , , (
2
2
2 2
2
2
2 2 2
X y X y I
y
I X y
o
o t
o
o t o
n
n
n
n
f
) ( ) (
2
1
) ln(
2
) 2 ln(
2
) , , ( ln
2
2 2
X y X y X y ' =
o
o t o
n n
f
TEMA 6
111
6. EXTENSIONES
Los parmetros y
2
que maximizan la funcin de verosimilitud f(,
2
| y, X) son los
mismos parmetros que maximizan el logaritmo neperiano de la funcin de verosimilitud
ln f(,
2
| y, X), puesto que el logaritmo neperiano es una transformacin montona no
decreciente. Pero los parmetros que maximizan ln f(,
2
| y, X) son los que minimizan el
trmino:
o, lo que es lo mismo, son los parmetros que minimizan el trmino:
es decir, son los parmetros que minimizan la suma de los cuadrados de los residuos, al
igual que el mtodo MCO. Es decir, bajo el supuesto de Normalidad del trmino de
perturbacin, los coeficientes estimados por MCO y los estimados por el mtodo de
Mxima-Verosimilitud son los mismos.

) ( ) (
2
1
2
X y X y '
o
) ( ) ( X y X y '
TEMA 6

Econometría I

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econometría I

Uploaded by

Copyright:

Available Formats

ECONOMETRA I

EL MODELO LINEAL GENERAL

mnimo) un es ptimo el que lo por positiva, definida es ( 2

+ ' ' = ' ' =

' ' ' ' = + + +

( ) ( b b MVC MVC MVC MVC < + =

' ' '

' ' '

( ' ' ' = ' = X L X L

You might also like