Mco para Cortes Transversales y Series de Tiempo

Notas de Econometra I
Cortes Transversales y Series de Tiempo
MCO PARA CORTES

SERIES DE TIEMPO
MCO para
TRANSVERSALES
5. MCO ASINTOTICOS
En el anlisis clsico de Regresin Lineal Mltiple se asumieron unos
supuestos que permitan obtener los mejores estimadores lineales
insesgados. Estos supuestos (SRLM1 a SRLM5) que se resumen en el
Teorema de Gauss Harkov, son supocisiones para muestras finitas. Es
decir, son vlidos para cualquier tamao de n. Sin embargo, adems de las
propiedades de muestras finitas, es importante conocer las propiedades
asintticas o de muestra grande de los estimadores y de los estadsticos de
prueba. Las propiedades asintticas no estn definidas para un tamao de
muestra dado, sino para cuando el tamao de la muestra crece
indefinidamente. En las prximas secciones se hace un anlisis intuitivo de
estas propiedades.
5.1 CONSISTENCIA
Una de las propiedades ms importantes de los estimadores, es la de
insesgamiento; sin embargo a veces no es posible conseguirla. Por esto, en
algunas ocasiones se pueden obtener regresiones lineales cuyos parmetros
estimados no cumplen con esta propiedad. En otras palabras, no todos los
estimadores tiles son insesgados; pero los expertos si coinciden en los
parmetros deben satisfacer como mnimo la consistencia.
Supongamos que i es el estimador MCO de i para alguna i. Para cada n,
i tiene una distribucin de probabilidad; como i es insesgado bajo las
supocisiones SRLM1 a SRLM4, esta distribucin tiene un valor promedios
de i . Si este estimador es consistente, entonces la distribucin de i se
concentra cada vez ms alrededor de i a medida que el tamao de la
Jhon Alexis Daz Contreras
39
MCO para
muestra aumenta. Como n tiende a infinito, la distribucin de i cae en el

punto i .
Teorema
De acuerdo con las supocisiones SRLM1 a SRLM4, el estimador de MCO i
es consistente de i para i = 1, 2, , k si P( i i ) 0 cuando n ,
para cada 0
Cuando i es consistente, tambin se dice que i es el lmite de la
probabilidad de i . Lo anterior se escribe como:
p lim i i Cov ( x1 , u ) Var ( x1 )
i
Porque la Cov(x1,u) = 0.
Inconsistencia
Si no se satisface que Cov(x1,u) = 0; es decir que el E (u x1 ,..., x k ) 0 ,
entonces se tienen estimadores inconsistentes. En otras palabras, si el error
se correlaciona con cualquiera de las variables independientes, los MCO son
sesgados e inconsistentes. La inconsistencia puede expresarse como:
p lim i i Cov ( x1 , u ) Var ( x1 )
Como la Var(x1) > 0, la inconsistencia es positiva si x1 y u se correlacionan

positivamente y es negativa en caso contrario.
5.2 NORMALIDAD ASINTTICA
Para poder realizar inferencia estadstica se requiere del supuesto de
normalidad. Hay que recordar que si los errores son elecciones aleatorias de
alguna distribucin que no es la normal; los i no estarn distribuidos en
forma normal, lo que quiere decir que los estadsticos t y F no se distribuyen
como una t y F respectivamente. Generalmente es posible derivar el
supuesto de normalidad del comportamiento de la variable y ya que est es
observable y u no. Por lo tanto, aunque las yi no tengan una distribucin
normal, llegamos a la conclusin de que los estimadores de MCO estn
distribuidos aproximadamente en forma normal, gracias al teorema del
lmite central1.
Teorema
Teorema del Limite Central: Sea
Y1 , Y2 ,..., Yn
una muestra aleatoria con media u y varianza
2.
Entonces,
Z n Yn / n tiene una distribucin normal estndar asinttica.
40
MCO para
Sea Wn : n 1,2,... una sucesin de variables aleatorias, tal que para toda z,
se tenga que P(Wn w) ( w) cuando n . Esto significa que la funcin de
distribucin acumulada Wn se acerca cada vez ms a la fda de la distribucin
normal estndar, conforme se hace ms grande n, el tamao de la muestra.
Para nuestros intereses se puede expresar que, de acuerdo con las
suposiciones de Gauss Markov SRLM1 a SRLM5 ( i i ) Normal(0,1)
i
Con este teorema se puede seguir confiando en la inferencia estadstica

usual.
5.3 EL ESTADSTICO DEL MULTIPLICADOR DE LAGRANGE

El estadstico del Multiplicador de Lagrange es til para realizar pruebas de
exclusin mltiple. Por ejemplo supongamos que se parte del modelo usual
y 1 2 x2 3 x3 ... 4 x4 u y se quiere probar que las ltimas q de estas
variables tienen parmetros poblacionales iguales a cero. De esta forma la
hiptesis nula es:
H 0 : k q 1 0
El estadstico de ML solo requiere estimar el modelo restringido. As,

~
~
~
supongamos que se hace la regresin y 1 2 x 2 ... k q xk q u~ . Si las
variables omitidas tienen coeficientes iguales a cero, al menos en forma
~ no debera correlacionarse con ninguna de esas variables
aproximada, u
excluidas. Si esto es cierto, el R 2 de esta regresin auxiliar debera estar
cercano a cero. Para esto, se puede construir un estadstico de la forma nR 2
2
el cual se distribuye como una q con q grados de libertad. En resumen el
Estadstico de Lagrange para q Restricciones de Exclusin sigue los
siguientes pasos:
Se estima la regresin de y sobre el conjunto de variables

~.
independientes y se conservan los u
~
Se estima la regresin de u sobre todas las variables independientes y
se obtiene el R 2 de esta regresin auxiliar.
Se calcula el ML = nR 2
Se compara el ML con un valor crtico apropiado, c, de una
2
distribucin q ; si ML > c se rechaza la hiptesis nula.
41
6.
ANLISIS
DE
CORTE
INFORMACIN CUALITATIVA
MCO para
TRANSVERSAL
6.1 COMBINACIN DE CORTES TRANSVERSALES EN EL TIEMPO

En esta seccin se analizarn los cortes transversales independientes. Este
tipo de datos tiene la caracterstica de que se obtienen a partir de una
muestra aleatoria de una gran poblacin en distintos puntos del tiempo. Por
ejemplo, se puede obtener cada ao una muestra aleatoria de variables
como salarios por hora, educacin, experiencia, etc. de la poblacin de
trabajadores de Colombia.
42
MCO para
Estadsticamente estos datos presentan la caracterstica de que cuentan con

observaciones mustrales independientes. Este ser un punto importante
porque se elimina la correlacin en los trminos de error para distintas
observaciones.
Una razn importante para utilizar la combinacin de cortes transversales
es incrementar el tamao de muestra. Al combinar muestras aleatorias
extradas de la misma poblacin, pero en distintos puntos del tiempo,
obtenemos estimadores ms precisos y estadsticos de prueba con ms
potencia.
Ejemplo
Para el perodo 1972 a 1984 se pretende explicar el nmero de hijos a partir
de variables educacin, edad, raza, zona geogrfica en la que vivi a los 16
aos y el entorno a esa edad; adems de unas variables ficticias anuales.
Variable Dependiente: hijos
Variables Independientes
Educ
A74
A76
A78
A80
A82
A84
Coeficientes
-0.128
0.268
-0.097
-0.069
-0.071
-0.522
-0.545
Errores
0.18
0.173
0.179
0.182
0.183
0.172
0.175
Para el ao base de 1972, se puede ver que a principios de los aos

ochentas muestran una disminucin en la fertilidad. Por ejemplo, el
coeficiente de A82 si se controla por educacin, edad y otros factores una
mujer tiene en promedio .52 menos hijos en 1982 comparado con 1972. Es
decir, si se mantienen fijos educacin, edad, y otros factores, la prediccin
es que 100 mujeres en 1982 tiene cerca 52 hijos menos que 100 mujeres en
1972.
De estos resultados tambin se puede concluir que una mujer con educacin
universitaria tiene menos hijos que una mujer con educacin secundaria. Si
se controla por las dems variables, 100 mujeres con educacin
universitaria tendrn cerca de 64 hijos menos que 100 mujeres con slo
secundaria.
6.2 ANLISIS DE POLITICAS CON COMBINACION DE CORTES
TRANSVERSALES
Las combinaciones de cortes transversales resultan muy tiles a la hora de
evaluar el impacto de sucesos econmicos, programas o polticas sobre un
grupo. Para esto, se requiere que la muestra este compuesta por dos
43
MCO para
conjuntos de datos: antes del evento y despus del evento, para poder
determinar el efecto. Generalmente, las aplicaciones de esta metodologa
tienen que ver con datos que surgen de experimentos naturales. Es decir,
cuando algn suceso exgeno cambia el ambiente en ele que desenvuelven
los individuos, las familias, las empresas o las ciudades. El conjunto de datos
para una aplicacin de este tipo esta conformado por un grupo control, que
no se afecta por el cambio de poltica, y uno de tratamiento, que si ve
afectado.
Para controlar las diferencias sistemticas entre estos dos grupos,
necesitamos datos de dos aos, un ao antes y u aos despus de la
aplicacin de la poltica. De esta forma, generalmente la muestra se divide
en cuatro grupos: el grupo de control antes y despus del cambio, y el grupo
de tratamiento antes y despus del cambio.
Supongamos que A es el grupo de control y B es el grupo de tratamiento, y
construyamos una variable ficticia dB igual a uno para los de B. As mismo,
d2 es una variable ficticia para el segundo perodo. Por lo tanto, un modelo
general para estimar el efecto de una poltica puede ser el siguiente:
y 0 0 d 2 1dB 1d 2 dB otros factores
El coeficiente 1 ser el estimador de la diferencia de las diferencias:

1 ( y 2 B y 2 A ) ( y1B y1 A )
44
MCO para
7. HETEROSCEDASTICIDAD
7.1
QU
ES
CONSECUENCIAS
LA
HETEROSCEDASTICIDAD?:
CAUSAS
El supuesto de homoscedasticidad, plantea que la varianza del error

inobservable u, condicionada a las variables explicativas, es constante; es
Var (u x1 , x 2 ,..., x k ) 2
decir,
La
violacin
de
este
supuesto,
la
heteroscedasticidad, cuando la varianza de los errores cambia para los
diferentes segmentos de la poblacin determinados por los distintos valores
de las variables explicativas. Por ejemplo, en un modelo sobre ahorro, la
heteroscedasticidad esta presente si a medida que aumenta el ingreso
tambin aumenta la varianza de los factores inobservables que influyen en
los ahorros.
Hay que recordar que la heteroscedasticidad no causa ni sesgo ni
inconsistencia2; sin embargo hay que tener en cuenta que las varianzas de
los estimadores se calculan sin el supuesto de homoscedasticidad, y en
presencia de heteroscedasticidad los errores estndares ya no son validos
para hacer pruebas de hiptesis e intervalos de confianza. En otras
palabras, los estadsticos t, F y ML ya no son validos en presencia de
heteroscedasticidad. Adems se sabe que el supuesto de que los
estimadores de MCO son MELI, se basa en asumir homoscedasticidad. Por
lo tanto, si la Var (ui2 ) no es constante, los MCO ya no son MELI. Es ms ni
siquiera podrn satisfacer la condicin de eficiencia asinttica.
7.2 ESTIMACIONES ROBUSTAS A LA HETEROSCEDASTICIDAD
A pesar de todos los problemas de inferencia que se podran presentar si se
siguen utilizando los MCO bajo heteroscedasticidad, estos an son de gran
utilidad si se ajustan los estadsticos t, F y ML a fin de que sean validos en
presencia de la heteroscedasticidad de forma desconocida. Este tipo de
ajustes o mtodos, se conocen como procedimientos robustos a la
heteroscedasticidad ya que son vlidos tengan o no lo errores varianza
constante.
Dado que el error estndar de i se basa en el estimador de Var ( i ) , se
Var ( i )
necesita
una
buena
estimacin
de
en
presencia
de
heteroscedasticidad. White en 1980 mostr la forma en que se construye
este estimador. Supongamos que u i denota los residuos de los MCO de la
2
Situacin que si se presenta si se omite una variable relevante.
45
MCO para
regresin inicial de y sobre x. Luego un estimador de Var ( i ) robusto a la

n
heteroscedasticidad es
(x
i 1
x ) 2 ui2
STC x2
Una formula similar a la anterior basada en SRLM1 a SRLM4 es
n
Va r( j )
r
i 1
2
ij
u i2
, en donde rij denota el i simo residuo de la regresin
2
j
STC
de xj sobre todas las dems variables independientes. La raz cuadrada de la
expresin anterior se denomina error estndar robusto a la
heteroscedasticidad. En ocasiones, como una correccin con los grados de
libertad los errores estndares robustos con la heteroscedasticidad se
multiplican por n (n k 1) antes de extraer la raz cuadrada.
Una vez se calculan los errores estndares robustos a la heteroscedasticidad
es posible calcular un estadsticos robustos a la heteroscedasticidad. Por
ejemplo es estadstico t robusto a la heteroscedasticidad es:
t
estimador valor hipottico

error estndar
La nica diferencia entre un estadstico usual de MCO y un estadstico

robusto a la heteroscedasticidad, es la forma en que se calcula el error
estndar.
Una buena pregunta sera: si los errores estndares robustos a la
heteroscedasticidad son vlidos ms a menudo que los errores estndares
usuales de MCO, por qu ocuparse de estos ltimos? La respuesta es: si el
supuesto de homoscedasticidad se cumple satisfactoriamente y los errores
se distribuyen normalmente, entonces los estadsticos t tienen
distribuciones t exactas, sin importar el tamao de la muestra. Los
estadsticos robustos a la heteroscedasticidad solo se justifican cuando el
tamao de la muestra es grande.
Tambin es posible obtener estadsticos F y ML robustos a
heteroscedasticidad. Por ejemplo, el estadstico F robusto a
heteroscedasticidad se denomina estadstico de Wald robusto a
heteroscedasticidad. En cuanto al estadstico ML, supongamos que
considera el modelo
la
la
la
se
y 1 2 x 2 3 x3 4 x 4 5 x5 6 x6 u
46
MCO para
y se quiere probar la hiptesis de H 0 : 4 5 0 . Para calcular el estadstico

ML robusto a la heteroscedasticidad se procede de la siguiente forma:
~ del modelo restringido.
Se obtienen los residuos u
Haga una regresin de cada una de las variables independientes
excluidas bajo la hiptesis nula, sobre todas las variables
independientes incluidas: si hay q variables excluidas, esto lleva a q
r1 , ~
r2 ,..., ~
rq )
conjuntos de residuos ( ~
~
~
Calcule los productos entre cada r j y u
(para todas las
observaciones)
~~ ~ ~
~~
Realice la regresin de 1 sobre r1u , r2 u ,..., rq u sin intercepto. El
estadstico ML robusto a la heteroscedasticidad es n SRC1, en donde
SRC1 es slo la suma de los cuadrados de los residuos usual de esta
2
regresin final. Bajo H0, ML se distribuye aproximadamente como q
y se concluye como se hace usualmente.
7.3 DETECCION DE LA HETEROSCEDASTICIDAD
A pesar de que es posible trabajar con estimaciones robustas, en muchas
ocasiones se prefiere trabajar con las estimaciones de MCO usuales. Para
esto, es necesario conocer si existe o no la heteroscedasticidad. Si el
supuesto de homoscedasticidad se cumple, es posible realizar las
interpretaciones comunes y la inferencia usual. Sin embargo, si existe
heteroscedasticidad los coeficientes de MCO dejan de ser MELI y es
necesario estimar mejores coeficientes que los de MCO.
Para detectar heteroscedasticidad se comienza con el modelo lineal usual,
y 1 2 x 2 3 x3 ... k x k u en el que se mantienen los SRLM1 a SRLM4.
Especficamente suponemos que E (u x1 , x 2 ,..., x k ) 0 de modo que los
estimadores de MCO son insesgados y consistentes. Formulemos el SRLM5
como una hiptesis nula y considermosla verdadera:
H 0 : Var (u x1 , x 2 ,..., x k ) 2
Es decir, se esta suponiendo que hay homoscedasticidad pero necesitamos

saber si es cierto o no. Si no se rechaza H0 se puede concluir que la
heteroscedasticidad no es un problema del modelo. Sin embargo, cabe
recordar que nunca se acepta H0 sencillamente no existe evidencia para
rechazarla.
Ahora, dado que estamos suponiendo que u tiene varianza condicional cero,
la hiptesis nula puede escribirse como:
H 0 : E (u 2 x1 , x 2 ,..., x k ) E (u 2 ) 2
47
MCO para
Esta hiptesis lo que muestra es que para probar el supuesto de

homoscedasticidad es necesario establecer si u2 se relaciona con una o ms
de las variables explicativas. Si H0 es falsa, el valor esperado de u2, dadas
las variables independientes, es cualquier funcin de xj. Para esto una
aproximacin sencilla es:
u 2 1 2 x 2 3 x 3 ... k x k v
Bajo
esta
regresin
la
hiptesis
nula
de
heteroscedasticidad
es
H 0 : 1 2 ... k 0 . Si v no se relaciona o es independiente de las variables
explicativas entonces es posible usar los estadsticos F ML. Estos

2
estadsticos dependen de Ru 2 , entonces el estadstico F se calcula como:
Ru22 k
1 Ru22 (n k 1)
donde k es el nmero de regresores del modelo. El estadstico anterior se

distribuye aproximadamente como F ,k ,n k 1 .
El estadstico ML para la prueba de heteroscedasticidad es simplemente el
Ru22 multiplicado por el tamao de la muestra:
ML n Ru22
Bajo la hiptesis nula de homoscedasticidad ML se distribuye como una k2 .

La versin ML de la prueba se denomina Prueba de Breusch Pagan
para heteroscedasticidad (Prueba BP)
Prueba de White para Heteroscedasticidad
White estableci un supuesto menos fuerte para probar heteroscedasticidad.
El supuso que los errores al cuadrado no se correlacionan con las variables
independientes xi , con los cuadrados de las variables independientes xi2 y
con todos los productos cruzados xi x j para i j . Si asumimos un modelo con
dos regresores, este supuesto plantea una forma funcional para la prueba de
la siguiente forma:
u 2 1 2 x2 3 x3 4 x22 5 x32 6 x2 x3 error
La prueba de White tambin utiliza los estadsticos F y ML bajo la hiptesis

nula de homoscedasticidad y se concluye de la forma usual. Sin embargo,
esta prueba tiene una debilidad y es la cantidad de grados de libertad que
utiliza.
48
MCO para
No obstante, es posible utilizar la prueba de White replanteando su forma

funcional. En este caso especial, se utilizan los valores ajustados de la
variable
independiente.
Es
decir,
se
estima
el
modelo
y i 1 2 xi 2 3 xi 3 ... k xik error y para la prueba de heteroscedasticidad se
corre el modelo correspondiente a:
u 2 1 2 y 3 y 2 error
Y nuevamente es posible utilizar los estadsticos F ML para la hiptesis

nula H 0 : 2 3 0 y concluir de la forma convencional.
7.4 CORRECCIN DE LA HETEROSCEDASTICIDAD
Cuando se detecta heteroscedasticidad es necesario corregirla. Para esto se
utilizan dos procedimientos. El primero, asume que se conoce la forma
funcional en que estn relacionadas las variables explicativas con la
varianza. En el segundo, la forma funcional debe ser estimada.
Mnimos Cuadrados Ponderados

Sea que x denote a las variables explicativas y asumamos que:
Var (u x ) 2 h( x ) en donde h(x )
es alguna funcin de las variables
explicativas que determina la heteroscedasticidad.
2
Supongamos que la varianza es proporcional a xi . Es decir que
E (u i2 ) 2 xi2 . Ahora, conociendo la relacin entre la varianza y las
variables explicativas el modelo estimado debe transformarse o
E (ui2 ) 2 . Entonces,
ponderarse por un factor de tal forma que
asumamos por simplicidad un modelo de la forma y 1 2 x2 u ; si
este modelo es ponderado por el factor 1 x 2 se tiene que
1 x2 u
y
2

1
x2
x2
x2 x2
Donde, u x22 es igual a
v . Desarrollando se tiene que
E (v 2 ) E (u x 2 ) 2 1 x 22 E (u 2 )
1
2 x 22
x 22
Supongamos que la varianza es proporcional a xi . Es decir que

E (u i2 ) 2 xi . Ahora, conociendo la relacin entre la varianza y las
49
MCO para
variables explicativas el modelo estimado debe transformarse o

ponderarse por un factor de tal forma que E (u i2 ) 2 . Si el modelo es
ponderado por el factor 1 x12 / 2 se tiene que
1
x u
1 1 / 2 2 12/ 2 1 / 2
x
x2
x 2 x2
es igual a v . Desarrollando se tiene que
y
1/ 2
2
Donde, u x12 / 2
E (v 2 ) E (u x12 / 2 ) 2 1 x 2 E (u 2 )
1
2 x 2
x 2
Supongamos que la varianza es proporcional a E ( y ) 2 . Es decir que

E (u i2 ) 2 E ( y ) . SE DEJA AL ESTUDIANTE REALIZAR LA
TRANSFORMACIN NECESARIA PARA TENER UNA VARIANZA
HOMOSCEDASTICA.
2
Mnimos Cuadrados Generalizados

En MCP se tiene algn supuesto sobre el comportamiento de la
heteroscedasticidad. Sin embargo, no siempre es posible conocer h(x ) , pero
puede ser estimada a partir de los datos y encontrar h . Cuando se tiene h
es posible utilizarla para realizar la transformacin de Mnimos Cuadrados
Generalizados y obtener los estimadores factibles de MCG. El procedimiento
para obtener los MCG es:
Realice la regresin de y sobre todas las variables explicativas y

obtenga los residuos u
Calcule log(u 2 ) , primero elevando al cuadrado los residuos de MCO y
luego sacando el logaritmo natural.
Lleve a cabo la regresin de log(u 2 ) sobre todas las variables
explicativas y obtenga los valores estimados y llmelos g .
Exponencie los valores ajustados g : h exp( g )
Estime por MCP el modelo original ponderando por 1 h
50
MCO para
8. MODELOS DE REGRESIN CON SERIES DE

TIEMPO Y CORRELACIN SERIAL
51
MCO para
8.1 PROPIEDADES DE MUESTRA FINITA DE LOS MCO PARA SERIES

DE TIEMPO
A continuacin se muestran los supuestos para Modelos de Series de
Tiempo MST que permiten obtener estimadores MCO con las propiedades
usuales.
Supuestos que permiten Insesgamiento
SMST1. Lineal en los Parmetros
El proceso estocstico xt ,1 , xt , 2 ,...xt ,k , yt : t 1,2,..., n sigue un modelo lineal.
En donde ut : t 1,2,..., n es una sucesin de errores o perturbaciones.
SMST2. Media Condicional igual a cero
Para cada t, el valor esperado del error ut, dadas las explicativas en todos
los perodos es cero. E u t xt ,1 ,..., xt ,k E u t X 0 t 1,2,..., n . No solo se
debe tener exogeneidad contempornea sino que los errores y las variables
explicativas deben ser estrictamente exgenas.
SMST3. Colinealidad Imperfecta
En la muestra, ninguna variable independiente es constante o es una
combinacin lineal perfecta de las otras.
Teorema: Insesgamiento de los Estimadores de MCO en MST
Bajo las supocisiones SMST1 a SMST3, los estimadores de MCO son
insesgados condicionados a X y, por tanto, tambin incondicionales:
E ( i ) i , i 1,2,..., k
Supuestos que permiten eficiencia

SMST4. Homoscedasticidad
La varianza de u t condicionada a
X es
la
misma
para
toda
t:
Var (u t X ) Var (u t ) , t 1,2,..., n

2
SMST5. No Correlacin Serial

Condicionados a X los errores en dos periodos distintos no se correlacionan:
Corr ut , u s X 0, t s
Teorema: Varianza Muestrales de los Estimadores de MCO para MST

De acuerdo con las suposiciones SMST1 a SMST5 la varianza de i ,
condicionada a X, e:
2
Var i X
, i 1,..., k
STC i (1 Ri2 )
52
MCO para
En donde STCi es la suma total de cuadrados de las xti y Ri2 es la R cuadrada

de la regresin de xi sobre las otras variables independientes.
Teorema: Estimacin Insesgada de la Varianza
Bajo las suposiciones SMST1 a SMST5, el estimador 2 SRC n k es un
estimador insesgado de 2
Teorema de Gauss Markov para MST
De acuerdo con las suposiciones SMST1 a SMST5, los estimadores de MCO
son los mejores estimadores insesgados condicionados a X.
Supuestos para la Inferencia en MST
SMST6. Normalidad
Los errores u t son independientes de X y se distribuyen independiente e
idnticamente como Normal (0, 2).
Teorema: Distribuciones Normales
Bajo las suposiciones SMST1 a SMST6, los estimadores de MCO se
distribuyen en forma normal, condicionada a X. Adems, bajo la hiptesis
nula, cada estadstico t tiene una distribucin t, y cada estadstico F tiene
una distribucin F. Tambin es valida la construccin usual de los intervalos
de confianza.
8.2 PROPIEDADES ASINTOTICAS DE MCO
Al igual que en el caso de los cortes transversales, las muestras pequeas
pueden no satisfacer algunos supuestos del modelo, y por lo tanto, provocar
conclusiones y anlisis errados. Una manera de remediar este problema es
considerando propiedades asintticas en los modelos de series de tiempo.
La suposicin de linealidad es igual en muestras pequeas y en muestras
grandes; sin embrago, para estimar bajo comportamientos asintticos es
necesario recurrir a los resultados del Teorema del Lmite Central y de la
Ley de los Grandes Nmeros. Los SMST2 y SMST3 son iguales en muestras
pequeas y en muestras grandes. Hasta aqu, en muestras grandes, si se
satisfacen estos tres supuestos se satisface la consistencia.
Nuevamente, tanto para muestras finitas como para muestras grandes, los
SMST4 y SMST5 son iguales. Adems, de acuerdo a los supuestos bajo
comportamientos asintticos los estimadores de MCO tienen una
distribucin normal asinttica y los errores estndares y los estadsticos F y
ML son vlidos asintticamente.
8.3 MODELOS DE REGRESION CON SERIES DE TIEMPO
Modelos Estticos
53
MCO para
Supongamos dos variables y y z, las cuales tienen fecha reciente. Un modelo

esttico se puede escribir de la forma:
y t 0 1 z t u t t 1,2,..., n
El modelo es estocstico porque modela una relacin contempornea entre

y y z,. Este modelo ayuda a explicar en el momento t el efecto de z en y; es
decir, y t 1 z t cuando u t 0 . Por ejemplo, un modelo esttico es la Curva
de Phillips:
inft = 1 + 2desemt + ut
Es claro, que se pueden tener diversas variables explicativas en el modelo
de regresin.
Modelos de Rezagos Distribuidos Finitos
En un modelo de RDF una o ms variables influyen en y con un rezago. Un
modelo de RDF se expresa como:
y t 1 2 z t 3 z t 1 4 z t 2 u t
Los coeficientes j son coeficientes de impacto. Por ejemplo, 2

denomina propensin de impacto o multiplicador de impacto. Despus de
periodo y aumenta en 2 3 y despus de dos periodos aumenta
2 3 4 . Adems, si se suman los todos los coeficientes 2 3 4
obtiene el multiplicador de largo plazo que mide el cambio a largo plazo
y dado por un incremento permanente en z.
se
un
en
se
en
8.4 CAUSAS Y CONSECUENCIAS DE LA CORRELACION SERIAL

Correlacin Serial Autocorrelacin
La autocorrelacin es la correlacin entre los miembros de series de
observaciones ordenadas en el tiempo o en el espacio. En otras palabras, el
trmino de error asociado a una observacin cualquiera est influenciado
por el trmino de perturbacin relacionado con cualquier otra observacin.
La correlacin serial se nota como E (ui , u j ) 0 i j .
Causas de la Correlacin Serial
Cuando se trabaja con series de tiempo econmicas, estas presentan
generalmente un comportamiento tendencial persistente. Es decir,
generalmente, por ejemplo, el PIB nominal esta en aumento. Este
componente de tendencia causa que una serie presente cierta inercia; y es
precisamente este comportamiento inercial una de las causas de la
autocorrelacin.
54
MCO para
Otra de las causas de la autocorrelacin es el sesgo de especificacin,

especficamente la omisin de variables. Supongamos que se deba estimar
el modelo yt 1 2 x2t 3 x3t 4 x4t u t , pero se estima un modelo como
yt 1 2 x 2t 3 x3t vt . De esto se puede decir que vt 4 x 4t u t y esta relacin
entre vt y x4t crea una falsa autocorrelacin. Otras causas de la
autocorrelacin son una forma funcional incorrecta, el llamado fenmeno de
la telaraa e incluir variables rezagadas en el modelo.
Consecuencias de la Correlacin Serial
Supongamos que E (ui , u j ) 0 i j y que los errores se generan de la
siguiente manera:
u t u t 1 t
1 1
es el coeficiente de autocorrelacin de primer orden y t cumple con los

supuestos
clsicos
de
un
error
de
perturbacin;
2
E ( t ) 0, Var ( t ) , Cov ( t , t s ) 0 s 0 . Este esquema se conoce como un
proceso autorregresivo de primer orden AR (1).
Si se estima un modelo en presencia de autocorrelacin y los errores se
forman por un proceso AR (1) y se aplica MCO las consecuencias son:
La varianza estimada subestima la verdadera varianza.
Igualmente se subestima la R2.
Las pruebas de significancia dejan de ser vlidas.
En otras palabras, los coeficientes dejan de ser MELI, pero conservan las
propiedades de Insesgamiento y Consistencia.
8.5 DETECCIN DE LA CORRELACIN SERIAL
Prueba t para correlacin serial AR (1) con regresores estrictamente
exgenos
Supongamos que se tiene un modelo de regresin en su forma usual. Cmo
sabemos si sus errores estn autocorrelacionados? La respuesta se hace
sencilla si se tienen regresores estrictamente exgenos y se asume que los
errores se forman por un proceso AR (1).
La hiptesis nula es que la suposicin de Gauss Markov es verdadera. En
el modelo AR (1), la hiptesis de que los errores no se correlacionan en
forma serial es H 0 : 0 . Para probar esta hiptesis se estima un modelo de
la forma u t u t 1 et t 2,..., n y se realiza una prueba de hiptesis para el
coeficiente . Sin embargo, como no se conocen los valores de u t , estos
pueden ser estimados por a partir de los residuos de MCO; es decir por u t .
En resumen, para realizar una prueba de correlacin para regresores
estrictamente exgenos, se siguen los siguientes pasos:
55
MCO para
Haga la regresin de y t sobre xt 2 ,..., xtk y estime los residuos de MCO,

u t .
Realice la regresin de u t u t 1 et t 2,..., n
Obtenga el estadstico t y realice una prueba de hiptesis usual para
la H 0 : 0 . Se concluye como siempre.
Prueba de Durbin Watson:

Esta prueba es un clsico en las pruebas de correlacin serial. Sus
supuestos ms importantes son:
El modelo debe incluir un trmino de intercepto.
Los regresores deben ser estrictamente exgenos.
Los errores siguen un proceso AR (1).
El estadstico d es igual a:
t n
(u
t 2
Definiendo a
2
t
u t21
u u
u
t
2
t 1
2
t
u t 1 ) 2
t n
u
d
Asumiendo que
t 2
2
t
2
t
u t21 2 ut ut 1
2
t
ut ut21
d 2 1
2
; entonces d 2(1 ) y dado que 1 1 por lo
tanto 0 d 4
Bajo la hiptesis nula de H 0 : No Autocorrelacin (No Correlacin Serial).
Se tienen las siguientes conclusiones. Si d se encuentra entre:
0 <d < dl Rechazar la hiptesis H0 y se concluye que hay correlacin
serial positiva.
dl <d < du Zona de Indecisin. No se puede concluir.
du < d < 4 du No se Rechaza la H0 y se concluye que No hay
autocorrelacin.
4 du < d < 4 dl Zona de Indecisin. No se puede concluir.
4 dl < d < 4 Rechazar la hiptesis H0 y se concluye que hay
correlacin serial negativa.
56
MCO para
Los valores de du y dl se obtienen de la tabla de Durbin Watson para un

tamao de muestra dado y un nmero de variables explicativas.
Existe una regla prctica para detectar autocorrelacin: Si 0 entonces
d 2 y por o tanto valores de d cercanos o iguales a 2 indican que no existe
autocorrelacin.
Prueba para correlacin serial AR (1) sin regresores estrictamente
exgenos
Esta prueba solo es vlida si los regresores no son estrictamente exgenos;
es decir, cuando una o ms xtk se correlacionan con u t 1 cuando se
tienen en el modelo variables dependientes rezagadas y t 1 . Para realizar
esta prueba se siguen los siguientes pasos:
Haga la regresin de MCO de y t sobre xt 2 ,..., xtk y obtenga los
residuos de MCO, u t
Haga la regresin de u t 1 2 xt 2 ... k xtk ut 1
Utilice el t para probar la hiptesis nula de H 0 : 0 . Se concluye de
la forma usual.
Prueba de correlacin serial AR (q) de orden superior
Hasta ahora solo se ha permitido que los regresores se correlacionen por un
proceso AR (1). Sin embargo, es posible que se tenga un proceso de orden
superior. Por ejemplo, un AR (2):
ut 1u t 1 2 u t 2 et
De manera general, es posible probar la correlacin serial en el modelo

autorregresivo de orden q:
u t 1u t 1 2 u t 2 ... q u t q et
La hiptesis nula es H 0 : 1 0, 2 0,..., q 0 . Para realizar la prueba se siguen

los siguientes pasos:
Haga la regresin de MCO de y t sobre xtk ,..., xtk y obtenga los
residuos de MCO, u t
Haga la regresin de u t sobre xtk ,..., xtk , u t 1 ,..., u t q
Se puede calcular el estadstico del Multiplicador de Lagrange. El ML
para esta prueba tiene la forma ML (n q) Ru2
2
Bajo la hiptesis nula H 0 : 1 0, 2 0,..., q 0 el estadstico ML q y se
concluye como siempre.
Esta prueba requiere del supuesto de Homoscedasticidad y por lo tanto la
regresin de los errores estimados sobre los dems regresores debe ser
robusta a la heteroscedasticidad. Generalmente, esta prueba se conoce
como Prueba de Breusch Godfrey.
57
MCO para
8.6 CORRECCION DE LA CORRELACION SERIAL

Para corregir la correlacin serial, se manejaran dos supuestos: en el
primero, asumiremos que estamos trabajando con regresores estrictamente
exgenos; y el segundo supuesto, asume que se tiene un proceso
autorregresivo de orden 1.
De esta forma, si se tiene un proceso como u t u t 1 et t 1,2,...
varianza de los errores es igual a:
e2
Var (u t )
(1 ) 2
la
As, si los errores presentan correlacin serial, el modelo de regresin

estimado debe ser transformado. Se presentar el ejemplo para una sola
variable explicativa, pero el mtodo es generalizable. Supongamos que se
tiene el modelo yt 0 1 xt u t t 1,2,..., n y consideremos el mismo
modelo en un periodo anterior yt 1 0 1 xt 1 u t 1 . Si se multiplica la
segunda ecuacin por y se resta de la primera se obtiene:
yt yt 1 (1 ) 0 1 ( xt xt 1 ) et
yt (1 ) 1 2 ~
xt et .
La expresin anterior se puede escribir como ~
Como es notorio, corregir la correlacin serial es sencillo si se conoce el

valor de , pero como no es posible conocer el valor poblacional, entonces
utilizamos su estimador . Para calcular se pueden utilizar los siguientes
mtodos:
Obtener el a partir de la relacin entre y el estadstico d:
1
d
2
Si se asume que los errores se forman por un proceso autorregresivo

de orden uno, utilizando el modelo u t u t 1 et t 2,..., n se puede
estimar el valor de .
Igualmente puede calcularse por el procedimiento de Theil
Nagar:
n 2 (1 d 2) k 2

n2 k 2
tambin puede calcularse utilizando el Procedimiento Iterativo de
Cochrane Orcutt. Se deja al estudiante la investigacin y estudio de
este mtodo.
Una vez se tiene el valor de , es posible obtener estimadores apropiados

para los parmetros si se aplican MCG. Los MCG para corregir la
correlacin serial se obtiene si se aplican MCO a la transformacin de Prais
58
MCO para
Winsten. Esta transformacin modifica la base de datos de la siguiente

forma:
y1* y1 (1 2 )1 / 2 x1* x1 (1 2 )1 / 2
y t* ( y t y t 1 ) xt* ( xt xt 1 ) t 2,3,..., n
A los datos transformados se les aplica MCO, y el modelo corregido cumple

con los supuestos para modelos de series de tiempo.
59

Mco para Cortes Transversales y Series de Tiempo

Uploaded by

Document Information

Original Title

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

Mco para Cortes Transversales y Series de Tiempo

Uploaded by

Copyright:

Available Formats

Notas de Econometra I

Cortes Transversales y Series de Tiempo

MCO PARA CORTES

Jhon Alexis Daz Contreras

muestra aumenta. Como n tiende a infinito, la distribucin de i cae en el

Como la Var(x1) > 0, la inconsistencia es positiva si x1 y u se correlacionan

Teorema del Limite Central: Sea

una muestra aleatoria con media u y varianza

Z n Yn / n tiene una distribucin normal estndar asinttica.

Jhon Alexis Daz Contreras

Con este teorema se puede seguir confiando en la inferencia estadstica

5.3 EL ESTADSTICO DEL MULTIPLICADOR DE LAGRANGE

El estadstico de ML solo requiere estimar el modelo restringido. As,

Se estima la regresin de y sobre el conjunto de variables

Jhon Alexis Daz Contreras

6.1 COMBINACIN DE CORTES TRANSVERSALES EN EL TIEMPO

Jhon Alexis Daz Contreras

Estadsticamente estos datos presentan la caracterstica de que cuentan con

Para el ao base de 1972, se puede ver que a principios de los aos

El coeficiente 1 ser el estimador de la diferencia de las diferencias:

Jhon Alexis Daz Contreras

El supuesto de homoscedasticidad, plantea que la varianza del error

Situacin que si se presenta si se omite una variable relevante.

Jhon Alexis Daz Contreras

regresin inicial de y sobre x. Luego un estimador de Var ( i ) robusto a la

, en donde rij denota el i simo residuo de la regresin

estimador valor hipottico

La nica diferencia entre un estadstico usual de MCO y un estadstico

Jhon Alexis Daz Contreras

y se quiere probar la hiptesis de H 0 : 4 5 0 . Para calcular el estadstico

Es decir, se esta suponiendo que hay homoscedasticidad pero necesitamos

Jhon Alexis Daz Contreras

Esta hiptesis lo que muestra es que para probar el supuesto de

H 0 : 1 2 ... k 0 . Si v no se relaciona o es independiente de las variables

explicativas entonces es posible usar los estadsticos F ML. Estos

donde k es el nmero de regresores del modelo. El estadstico anterior se

Bajo la hiptesis nula de homoscedasticidad ML se distribuye como una k2 .

La prueba de White tambin utiliza los estadsticos F y ML bajo la hiptesis

Jhon Alexis Daz Contreras

No obstante, es posible utilizar la prueba de White replanteando su forma

Y nuevamente es posible utilizar los estadsticos F ML para la hiptesis

Mnimos Cuadrados Ponderados

v . Desarrollando se tiene que

Supongamos que la varianza es proporcional a xi . Es decir que

Jhon Alexis Daz Contreras

variables explicativas el modelo estimado debe transformarse o

Supongamos que la varianza es proporcional a E ( y ) 2 . Es decir que

Mnimos Cuadrados Generalizados

Realice la regresin de y sobre todas las variables explicativas y

Jhon Alexis Daz Contreras

8. MODELOS DE REGRESIN CON SERIES DE

Jhon Alexis Daz Contreras

8.1 PROPIEDADES DE MUESTRA FINITA DE LOS MCO PARA SERIES

Supuestos que permiten eficiencia

Var (u t X ) Var (u t ) , t 1,2,..., n

SMST5. No Correlacin Serial

Teorema: Varianza Muestrales de los Estimadores de MCO para MST

Jhon Alexis Daz Contreras

En donde STCi es la suma total de cuadrados de las xti y Ri2 es la R cuadrada

Jhon Alexis Daz Contreras

Supongamos dos variables y y z, las cuales tienen fecha reciente. Un modelo

El modelo es estocstico porque modela una relacin contempornea entre

Los coeficientes j son coeficientes de impacto. Por ejemplo, 2