Professional Documents
Culture Documents
Dependent Variable: SB
Method: Least Squares
Sample: 1950Q1 2009Q4
Included observations: 240
Variable Coefficient Std. Error t-Statistic Prob.
C 2.219470 0.084897 26.14323 0.0000
X2 1.479004 0.088867 16.64297 0.0000
X3 1.330096 0.086432 15.38901 0.0000
R-squared 0.704795 Mean dependent var 2.245588
Adjusted R-squared 0.702304 S.D. dependent var 2.392996
S.E. of regression 1.305656 Akaike info criterion 3.383709
Sum squared resid 404.0227 Schwarz criterion 3.427217
Log likelihood -403.0451 Hannan-Quinn criter. 3.401240
F-statistic 282.9157 Durbin-Watson stat 1.529084
Prob(F-statistic) 0.000000
1.2 Tericamente se sabe que los coeficientes de X2 y X3 del modelo anterior deberan ser
constantes a lo largo de toda la muestra (A2). Realice la estimacin dividiendo la muestra
en 2 grupos: 1950q1-1989q4 y 1990q1-2009q4. Se confirma el supuesto A2 en las
estimaciones? Explique por qu.
Erick Lahura Econometra 2 / 2010-2
2
Dependent Variable: SB
Method: Least Squares
Sample: 1950Q1 1989Q4
Included observations: 160
Variable Coefficient Std. Error t-Statistic Prob.
C 1.779329 0.075634 23.52545 0.0000
X2 1.147299 0.079176 14.49041 0.0000
X3 0.984532 0.074295 13.25170 0.0000
R-squared 0.724587 Mean dependent var 1.739979
Adjusted R-squared 0.721078 S.D. dependent var 1.808533
S.E. of regression 0.955141 Akaike info criterion 2.764657
Sum squared resid 143.2302 Schwarz criterion 2.822316
Log likelihood -218.1725 Hannan-Quinn criter. 2.788070
F-statistic 206.5262 Durbin-Watson stat 2.101725
Prob(F-statistic) 0.000000
Dependent Variable: SB
Method: Least Squares
Date: 03/30/11 Time: 14:26
Sample: 1990Q1 2009Q4
Included observations: 80
Variable Coefficient Std. Error t-Statistic Prob.
C 2.994002 0.109824 27.26171 0.0000
X2 2.155353 0.112598 19.14207 0.0000
X3 1.955728 0.121265 16.12772 0.0000
R-squared 0.906438 Mean dependent var 3.256805
Adjusted R-squared 0.904008 S.D. dependent var 3.031175
S.E. of regression 0.939137 Akaike info criterion 2.749069
Sum squared resid 67.91238 Schwarz criterion 2.838395
Log likelihood -106.9628 Hannan-Quinn criter. 2.784882
F-statistic 372.9914 Durbin-Watson stat 2.001719
Prob(F-statistic) 0.000000
No se cumple el supuesto A2, debido a que los parmetros de ambas regresiones son diferentes. Esto
podra estar sucediendo, debido a que las series presentas quiebres a lo largo de la muestra, y
ocasionara que al dividir la muestra el coeficiente asociado a las series cambie de un perodo a otro.
1.3 Detecte la posible presencia de Quiebre estructural en los parmetros utilizando las
siguientes pruebas. Especifique la estructura (Ho, Ha, regla de rechazo) de cada una de ellas.
- Test de Chow
La idea del Test de Chow es ajustar la ecuacin por separado para cada submuestra, para ver si
existen diferencias significativas en las ecuaciones estimadas. Una diferencia significativa
indica un cambio estructural en la relacin. Por ejemplo, puede utilizar esta prueba para
examinar si la funcin de demanda de energa era la misma antes y despus de la crisis del
petrleo.
Erick Lahura Econometra 2 / 2010-2
3
Por defecto, la prueba de Chow comprueba si hay un cambio estructural en todos los
parmetros de la ecuacin.
Para llevar a cabo la prueba, se realiza la particin de datos en dos o ms sub muestras. Cada
submuestra debe contener ms observaciones que el nmero de coeficientes de la ecuacin
de modo que la ecuacin puede ser estimada. El Test de Chow compara la suma de los
cuadrados de los residuos obtenidos mediante el ajuste de una sola ecuacin para toda la
muestra con la suma de los cuadrados de los residuos obtenidos en las ecuaciones
independientes que ajustan a cada sub muestra de los datos.
Una desventaja importante de la prueba de punto de interrupcin es que cada submuestra
requiere al menos tantas observaciones como el nmero de parmetros estimados. A su vez,
la gran desventaja es que determina la fecha de quiebre de manera exgena.
Donde:
Chow Breakpoint Test: 1980Q1
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1950Q1 2009Q4
F-statistic 17.46552 Prob. F(3,234) 0.0000
Log likelihood ratio 48.49352 Prob. Chi-Square(3) 0.0000
Wald Statistic 52.39657 Prob. Chi-Square(3) 0.0000
Regla de Rechazo: p-value < 0.05: Rechazo
Ramsey RESET Test
Equation: UNTITLED
Specification: SB C X2 X3
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 0.327389 236 0.7437
F-statistic 0.107183 (1, 236) 0.7437
Likelihood ratio 0.108975 1 0.7413
F-test summary:
Sum of Sq. df
Mean
Squares
Test SSR 0.183411 1 0.183411
Restricted SSR 404.0227 237 1.704737
Unrestricted SSR 403.8393 236 1.711183
Unrestricted SSR 403.8393 236 1.711183
LR test summary:
Value df
Restricted LogL -403.0451 237
Unrestricted LogL -402.9906 236
Unrestricted Test Equation:
Dependent Variable: SB
Method: Least Squares
Erick Lahura Econometra 2 / 2010-2
6
Date: 04/06/11 Time: 23:35
Sample: 1950Q1 2009Q4
Included observations: 240
Variable Coefficient Std. Error t-Statistic Prob.
C 2.173886 0.163160 13.32367 0.0000
X2 1.445634 0.135339 10.68156 0.0000
X3 1.298877 0.128807 10.08390 0.0000
FITTED^2 0.005108 0.015601 0.327389 0.7437
R-squared 0.704929 Mean dependent var 2.245588
Adjusted R-squared 0.701178 S.D. dependent var 2.392996
S.E. of regression 1.308122 Akaike info criterion 3.391588
Sum squared resid 403.8393 Schwarz criterion 3.449599
Log likelihood -402.9906 Hannan-Quinn criter. 3.414963
F-statistic 187.9356 Durbin-Watson stat 1.531918
Prob(F-statistic) 0.000000
Regla de rechazo: p-value < 0.05: Rechazo
Bajo la hiptesis nula de estabilidad de parmetros, el error normalizado se distribuye
como una normal con media cero y varianza constante y es independiente del residuo
recursivo normalizado (w).
Eviews realiza la estimacin de w
t
para t=k+1,, n y reporta su evolucin alrededor de
0, adems incluye una banda de confianza calculada como 2 veces la desviacin
estndar en cada observacin. Si los parmetros se mantienen constantes a lo largo de
toda la muestra, es de esperar que los valores de los errores de prediccin se
encuentren dentro de esta banda de confianza; es decir, que su valor medio sea igual a
cero. Por tanto la existencia de valores fuera de este intervalo ser un indicador de
que la hiptesis de estabilidad est siendo violada.
Erick Lahura Econometra 2 / 2010-2
7
Dicho grafico ofrece evidencia sobre la existencia de un quiebre estructural. La
presencia de valores fuera del intervalo de confianza a mediados del 90 indica que es probable
que los parmetros cambien alrededor de esta fecha.
- Prueba CUSUM
Esta prueba se basa en la suma acumulada de los residuos normalizados. La evaluacin
de presencia de quiebre se realiza graficando el estadstico CUSUM a lo largo del
tiempo. Si esta grafica permanece dentro de las bandas de confianza, entonces los
coeficientes son estables en el tiempo, pero si la grafica traspasa las bandas, se
reconoce la posible existencia de un cambio estructural en el modelo.
La expresin asociada a este estadstico es la siguiente:
Donde w es el residuo recursivo definido lneas arriba y es el error estndar del
modelo estimado con todas las observaciones disponibles.
-3
-2
-1
0
1
2
3
4
5
55 60 65 70 75 80 85 90 95 00 05
Recursive Residuals 2 S.E.
Erick Lahura Econometra 2 / 2010-2
8
- Prueba CUSUM cuadrado
El estadstico CUSUM cuadrado hace referencia a la suma acumulada de los residuos
normalizados al cuadrado. Por lo mismo, este estadstico no est expuesto a los
problemas de la prueba anterior en lo referente a la presencia de errores con signo
contrario. No obstante, su interpretacin no es tan evidente como en el ndice CUSUM
convencional, ya que no se espera que su valor medio sea nulo. Dada la construccin
del estadstico:
Al igual que en los casos anteriores, si el estadstico arroja un valor que sobrepasa el
intervalo de confianza, no podemos afirmar que la media sea la indicada lneas arriba,
y por tanto, que los parmetros sean estables.
-60
-40
-20
0
20
40
60
80
55 60 65 70 75 80 85 90 95 00 05
CUSUM 5% Significance
Erick Lahura Econometra 2 / 2010-2
9
- Test Predictivo de una etapa
El grafico asociado a esta prueba traza los residuos recursivos y los errores estndar en
la parte superior (esta parte de la grafica es idntica a la grafica que se obtiene al
requerir los residuos recursivos). Adicionalmente, en la parte inferior se muestra una
nube de puntos que indican el nivel de confianza en el que es posible rechazar la
hiptesis nula de estabilidad. Como sabemos a un nivel de significancia del 5% tiene
asociada una confianza del 95%.
Debemos fijarnos en los puntos que tienen asociado el nivel de significancia mas bajo,
en este caso se distinguen varios puntos cercanos a 0 en toda la muestra. Este
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
55 60 65 70 75 80 85 90 95 00 05
CUSUM of Squares 5% Significance
.000
.025
.050
.075
.100
.125
.150
-4
-2
0
2
4
6
55 60 65 70 75 80 85 90 95 00 05
One-Step Probability
Recursive Residuals
Erick Lahura Econometra 2 / 2010-2
10
resultado se lee de la siguiente manera: aun con un nivel de significancia bastante
reducido, la comparacin del residuo recursivo obtenido con el intervalo de confianza
nos lleva al rechazo de la hiptesis de estabilidad. Notemos que cuando los errores
recursivos salen de las bandas, los puntos generados a partir del test predictivo de una
etapa se encuentra en niveles inferiores a 5%.
- Test Predictivo de n etapas
En lugar de analizar los coeficientes estimados con la informacin disponible hasta t-1
para predecir nicamente la siguiente observacin Y
t
, consideramos la posibilidad de
utilizarlos para predecir las observaciones que siguen (t,,n) . As, una divergencia
considerable entre los valores predichos y los verdaderos seria evidencia a favor de la
existencia de un quiebre estructural.
Su interpretacin de los puntos de probabilidad es la misma a la de la prueba de una
etapa.
- Test de Coeficientes Recursivos
Esta prueba grafica permite analizar la evolucin de cualquier coeficiente a medida
que la muestra empleada para la estimacin se ampla en una observacin. Por ello, y
bajo la hiptesis de estabilidad, cabe esperar que los valores de cada coeficiente
converjan en la mediad en que la estimacin se acerque a aquella que utiliza toda la
informacin disponible.
.000
.025
.050
.075
.100
.125
.150
-4
-2
0
2
4
6
55 60 65 70 75 80 85 90 95 00 05
N-Step Probability
Recursive Residuals
Erick Lahura Econometra 2 / 2010-2
11
2. HETEROSCEDASTICIDAD.
En base a la informacin de la pestaa Hetero, responda:
2.1 Estime la ecuacin:
Dependent Variable: H
Method: Least Squares
Date: 03/30/11 Time: 15:01
Sample: 1950Q1 2009Q4
Included observations: 240
Variable Coefficient Std. Error t-Statistic Prob.
C 3.146230 1.459948 2.155029 0.0322
X2 1.068623 0.106695 10.01571 0.0000
X3 0.820669 0.107823 7.611227 0.0000
R-squared 0.422491 Mean dependent var 22.03693
Adjusted R-squared 0.417618 S.D. dependent var 4.298596
S.E. of regression 3.280429 Akaike info criterion 5.226247
Sum squared resid 2550.407 Schwarz criterion 5.269754
Log likelihood -624.1496 Hannan-Quinn criter. 5.243777
F-statistic 86.69175 Durbin-Watson stat 1.887091
Prob(F-statistic) 0.000000
-2
-1
0
1
2
3
55 60 65 70 75 80 85 90 95 00 05
Recursive C(1) Estimates
2 S.E.
0
1
2
3
4
5
6
55 60 65 70 75 80 85 90 95 00 05
Recursive C(2) Estimates
2 S.E.
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
55 60 65 70 75 80 85 90 95 00 05
Recursive C(3) Estimates
2 S.E.
Erick Lahura Econometra 2 / 2010-2
12
2.2 Determine la presencia de Heteroscedasticidad usando las siguientes pruebas.
Especifique en cada una de ellas, la Ho y Ha, as como tambin la Regla de Rechazo.
- Test de Glejser (1969)
- Se asume que los regresores originales contenidos en el vector x son los que
generan heteroscedasticidad.
- Hiptesis nula y alternativa:
- El estadstico (t o F) es el que permite evaluar la significancia del vector theta
en:
Heteroskedasticity Test: Glejser
F-statistic 4.012610 Prob. F(2,237) 0.0193
Obs*R-squared 7.860630 Prob. Chi-Square(2) 0.0196
Scaled explained SS 7.950496 Prob. Chi-Square(2) 0.0188
Test Equation:
Dependent Variable: ARESID
Method: Least Squares
Date: 04/07/11 Time: 00:37
Sample: 1950Q1 2009Q4
Included observations: 240
Variable Coefficient Std. Error t-Statistic Prob.
C 1.138063 0.875965 1.299211 0.1951
X2 -0.035009 0.064017 -0.546875 0.5850
X3 0.182278 0.064694 2.817553 0.0052
R-squared 0.032753 Mean dependent var 2.582940
Adjusted R-squared 0.024590 S.D. dependent var 1.992904
S.E. of regression 1.968248 Akaike info criterion 4.204586
Sum squared resid 918.1385 Schwarz criterion 4.248094
Log likelihood -501.5504 Hannan-Quinn criter. 4.222117
F-statistic 4.012610 Durbin-Watson stat 1.944607
Prob(F-statistic) 0.019329
- Test de Harvey (1976)
- Se asume que los regresores originales contenidos en el vector x son los que
generan heteroscedasticidad.
- Hiptesis nula y alternativa:
El estadstico (t of F) es el que permita evaluar la significancia del vector theta en:
2 , 1 , ) ( :
:
' 2
2 2
0
= + =
=
m x H
H
m
i i a
i
u o o
o o
i i
v x u + + = u o
'
| |
) exp( :
:
' 2
2 2
0
u o
o o
i i a
i
x H
H
=
=
Erick Lahura Econometra 2 / 2010-2
13
Heteroskedasticity Test: Harvey
F-statistic 0.887988 Prob. F(2,237) 0.4128
Obs*R-squared 1.785079 Prob. Chi-Square(2) 0.4096
Scaled explained SS 1.820309 Prob. Chi-Square(2) 0.4025
Test Equation:
Dependent Variable: LRESID2
Method: Least Squares
Date: 04/07/11 Time: 00:38
Sample: 1950Q1 2009Q4
Included observations: 240
Variable Coefficient Std. Error t-Statistic Prob.
C 0.217296 1.000912 0.217098 0.8283
X2 -0.015115 0.073148 -0.206639 0.8365
X3 0.098301 0.073922 1.329800 0.1849
R-squared 0.007438 Mean dependent var 1.034532
Adjusted R-squared -0.000938 S.D. dependent var 2.247943
S.E. of regression 2.248998 Akaike info criterion 4.471268
Sum squared resid 1198.744 Schwarz criterion 4.514776
Log likelihood -533.5521 Hannan-Quinn criter. 4.488798
F-statistic 0.887988 Durbin-Watson stat 2.055691
Prob(F-statistic) 0.412847
- Test de Breusch-Pagan (1979)
- La heteroscedasticidad se asocia a que la varianza puede ser una funcin
(desconocida) de una combinacin lineal de q variables conocidas contenidas
en el vector x.
- Hiptesis nula y alternativa:
-
- Estadstico:
- Donde el R2 proviene de la regresin auxiliar:
i i i
v x u + + = u o
' 2
ln
) ( :
:
' 2 2
2 2
0
u o o o
o o
i i a
i
x h H
H
+ =
=
) ( ~
2 2
q nR LM _ =
i i i
v x u + + = u o
' 2
=
+ =
=
q
s
s t s t a
t
u H
H
1
2
0
2
2 2
0
:
:
u u o
o o
) ( ~
2 2
q nR LM _ =
t
q
s
s t s t
v u u + + =
=
1
2
0
2
u u
Erick Lahura Econometra 2 / 2010-2
17
2.3 De presentarse Heteroscedasticidad, resuelva el problema encontrado. De qu
depende la metodologa a utilizar?
Si la Heteroscedasticidad es una caracterstica del modelo poblacional, entonces se
utiliza MCG, MCGF o MCO (errores estndar robustos).
- Si se conoce la forma funcional de la heteroscedasticidad y sus valores
numricos (caso inusual), se debe estimar los parmetros del modelo y hacer
inferencia usando MCG.
- Si se conoce slo la forma funcional de la heteroscedasticidad (caso menos
inusual), se debe estimar los parmetros del modelo y hacer inferencia usando
MCGF.
- Si no se conoce ni siquiera la forma funcional o no se tiene informacin
suficiente, se debe estimar los parmetros del modelo usando MCO. Para hacer
inferencia, se debe utilizar la frmula correcta de la matriz de var-cov y
estimarla de manera robusta (usando el estimador o matriz de White).
Dependent Variable: H
Method: Least Squares
Date: 04/07/11 Time: 00:36
Sample: 1950Q1 2009Q4
Included observations: 240
White heteroskedasticity-consistent standard errors & covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 3.146230 1.527363 2.059910 0.0405
X2 1.068623 0.113803 9.390105 0.0000
X3 0.820669 0.105026 7.813936 0.0000
R-squared 0.422491 Mean dependent var 22.03693
Adjusted R-squared 0.417618 S.D. dependent var 4.298596
S.E. of regression 3.280429 Akaike info criterion 5.226247
Sum squared resid 2550.407 Schwarz criterion 5.269754
Log likelihood -624.1496 Hannan-Quinn criter. 5.243777
F-statistic 86.69175 Durbin-Watson stat 1.887091
Prob(F-statistic) 0.000000
2.4 Asumiendo que
Aplico esperanza en ambos lados:
utilizando:
a. La formula de la varianza total.
La frmula de la varianza total se define como:
A B
B =
B = 0
A =
, debido a que
Entonces:
Erick Lahura Econometra 2 / 2010-2
22
b. Ley de esperanzas iteradas.
5. Sea el modelo de regresin lineal clsico utilizando notacin matricial:
donde el vector de perturbaciones (de orden ) se distribuye normal con media 0 (vector
) y matriz de varianzas y covarianzas igual a
2
=
2
a. Demuestre que le estimador MCO del vector es insesgado y consistente. Asuma que
los datos se comportan bien en asintticamente, es decir:
Adems, asuma por simplicidad que:
.
b. Asumiendo que
donde:
San Miguel, marzo de 2011
Erick Lahura Econometra 2 / 2010-2
23
Insesgadez:
Aplico esperanza condicional:
Bajo A3Rmi y A2:
Entonces:
Aplicando esperanzas iteradas:
Consistencia:
Aplico :
Slutsky:
Por A3Rsru
a. Asumiendo que
Sol.
De acuerdo al enunciado y usando la regla de slutsky:
Adems, se demuestra que
Erick Lahura Econometra 2 / 2010-2
24
Demostracin:
-
Por TLC:
Luego, por Cramer: