Professional Documents
Culture Documents
1: Modelo lineal
general: hiptesis y
estimacin
Universidad Complutense de
Madrid
2013
Introduccin
El objetivo es especificar y estimar un Modelo Lineal
General (MLG) en donde una variable de inters
(endgena) es explicada por un conjunto de variables
explicativas (exgenas).
Ct = b0 + b1Rt + et
Los parmetros que definen esta relacin son b0 y b1
No hay que confundir esta hiptesis de linealidad en los
parmetros con una relacin lineal entre las variables.
3
Hiptesis del modelo de regresin
lineal general (II)
Por ejemplo, en las relaciones siguientes, slo la primera
es formalmente lineal. Sin embargo, las tres cumplen la
hiptesis de linealidad en los parmetros:
y = b1 + b2 x
y = b1 + b2ex
Y = b0 + b1 X1 + b12 X2
en donde el coeficiente asociado a la variable X2 no es b2 ,
sino b12 , es decir, el cuadrado del coeficiente asociado a la
variable X1
Ct 1 2Ct 1 3Yt t
donde el mismo modelo implica que:
Ct 1 1 2Ct 2 3Yt 1 t 1
En la primera ecuacin no se puede asumir que el
consumo retardado sea un regresor determinista, porque
el propio modelo indica que depende de un error t 1
16
Hiptesis del modelo de regresin
lineal general (XV)
(C)Modelos con errores de medida en las variables
explicativas. Bajo la hiptesis de renta permanente de
Friedman, el consumo slo depende del componente
permanente de la renta ( Yt P )
C t b Yt t
P
Yt Yt Yt
P T
T
donde el componente transitorio Y t o las desviaciones
aleatorias alrededor de la renta media de un agente no es
observable. Como la renta permanente es una variable no
observable, para estimar la primera ecuacin hay que
sustituirla por Yt Yt Yt
P T
y por tanto, es un
regresor estocstico. 17
Hiptesis del modelo de regresin
lineal general (XVI)
H7: Hiptesis referentes al error
(H7.1) Esperanza nula en todo instante de tiempo
E ( t ) 0, t 1, 2, n
Ya que el error es tratado como la suma de muchos
efectos individuales sobre la endgena, donde el signo
de cada uno es desconocido, no existe ninguna razn
para esperar cualquier valor distinto de cero. Una
situacin en la que se incumple esta hiptesis, es
cuando a su vez, se incumple otra, como es omitir en el
modelo una variable explicativa relevante.
18
Hiptesis del modelo de regresin
lineal general (XVII)
Como ejemplo, supongamos que la verdadera funcin de
consumo es:
C t 0 1 Rt 2 it t
C t 0 1 Rt v t vt t 2 it
Por tanto, la esperanza del nuevo error no puede ser nula, ya
que E ( v t ) E ( t ) E ( 2 it ) 2 it dadas las
hiptesis de parmetros constantes y regresores fijos.
19
Hiptesis del modelo de regresin
lineal general (XVIII)
(H7.2) Varianza constante u Homoscedasticidad.
var( t ) E ( ) , t 1, 2, , n
t
2 2
y1 x11 . x1 k
. . . .
y x
n n1 . x nk
Cuando la 1 columna de la matriz X es una columna de
unos, el modelo tiene trmino constante. 22
Especificacin del MLG (II)
Las perturbaciones en un vector de
tamao (nx1) y los parmetros en un
vector de tamao (kx1):
1 1
. .
n
k
y 1 x1 1 x1 2 . x1 k 1 1
y 2 x 21 x 22 . x2 k 2
2
. . . . . . .
y n x n1 xn 2 . x nk k n
Es decir, tenemos un sistema de ecuaciones
donde cada una establece la relacin entre la
endgena y las exgenas en un momento del
tiempo concreto. 24
Especificacin del MLG (IV)
Las hiptesis sobre las perturbaciones en notacin
matricial son:
E [ ] 0 var[ ] E[ ] I
T 2
donde
Y Y Y X
La funcin objetivo sigue siendo minimizar la suma de
cuadrados de los residuos con respecto a los k
parmetros
n
min min min(Y X ) (Y X )
t
2 T T
t 1
27
Estimacin por MCO (II)
Operando en la funcin objetivo, tenemos:
min Y Y X Y Y X X X
T T T T T T
min Y Y 2 X Y X X
T T T T T
28
Estimacin por MCO (III)
Condiciones de primer orden
T
2 X Y 2 X X 0
T T
La solucin analtica a las condiciones de primer orden es:
X X X Y
T T
31
Estimacin por MCO (VI)
Insesgadez: El estimador MCO de es insesgado. Es
decir, la media de la distribucin muestral del estimador
de coincide con el verdadero .
Prueba de insesgadez:
(X X ) X Y (X X ) X (X )
T 1 T T 1 T
O bien, ( X X ) X
T 1 T
Tomando esperanzas:
E ( ) E ( ) E[( X T X ) 1 X T ]
E ( ) ( X T X ) 1 X T E [ ]
34
Estimacin por MCO (IX)
var( ) ( X X ) X E( ) X ( X X )
T 1 T T T 1
35
Estimacin por MCO (X)
Y, finalmente, aplicando las hiptesis de que las
pertubaciones tienen esperanza nula, varianza constante y
ausencia de autocorrelacin:
var( ) ( X X )
2 T 1
T
2
n k
var( ) ( X X )
2 T 1
37
Propiedades algebraicas de la
estimacin MCO (I)
En modelos con trmino constante, si estimamos por MCO
se cumple que:
(1) La media muestral de la variable endgena real
coincide con la media muestral de la variable endgena
ajustada por el modelo: y y
(2) La media muestral de los residuos es nula: 0
En modelos con o sin trmino constante si estimamos por
MCO se cumple que:
(3) Los residuos son ortogonales a las variables
explicativas: XT 0
(4) Los residuos son ortogonales a los valores ajustados
de la endgena: Y T 0
38
Propiedades algebraicas de la
estimacin MCO (II)
(5) En un MRL con o sin trmino constante, si se estima
por MCO se cumple la siguiente identidad:
t t t
y 2
y 2
2
t
( y y ) 2
t
(
y y ) 2
t
2
O bien ST SE SR
39
Bondad del ajuste (I)
nk
Los dos efectos son: (a) Si aumenta el nmero de
regresores en el modelo, disminuyen los grados de
libertad y esto se penaliza n 1
k n k 2
R
nk
y (b) Esos nuevos regresores pueden mejorar el modelo
en trminos de ajuste, k SR R 2 R 2
Coeficiente de determinacin
corregido (II)
Al final, si el efecto negativo es mayor (en valor absoluto)
que el positivo, el R-cuadrado corregido bajar y no
compensara introducir el nuevo regresor.
C t 0 1 R t 2 it t R 2 0 .8 8
47
Criterios de informacin (I)
Otra forma de resolver los problemas del R2 es usar
algn criterio de informacin, que tiene en cuenta en la
misma frmula tanto el ajuste del modelo como el n de
parmetros del mismo. Los ms conocidos son los
criterios de Akaike (AIC) y el de Schwarz (SIC) que se
definen como: 2k
A IC ( k ) log[ k ]
2
n
k log[ n ]
SIC ( k ) log[ ]
2
k
n
donde n es el tamao de la muestra, k el nmero de
regresores y k2 la estimacin de la varianza residual
por mxima verosimilitud (dividiendo la SR/ n).
Criterios de informacin (II)