You are on page 1of 43

APUNTES DE METODOS CUANTITATIVOS

UNIVERSIDAD NACIONAL DE PIURA

ESCUELA DE POSTGRADO

PROGRAMA DE MAESTRIA EN CIENCIAS ECONOMICAS

MENCION: PROYECTOS DE INVERSION

CURSO:

METODOS CUANTITATIVOS

TOPICO 5:

ECONOMETRIA:

MODELO DE REGRESION LINEAL GENERAL

APLICACION

Econ. SEGUNDO A. CALLE RUIZ Ms. Sc.

PIURA 2015
METODOS CUANTITATIVOS-ECONOMETRIA 2015

I. ESPECIFICACION DEL MODELO ECONOMETRICO

La Compaa Grupo Nueve S.A (GENSA)1, que vende gelatina en el mercado de Lima, est interesada
en ampliar su planta de produccin, por lo que requiere conocer los determinantes de la demanda
del producto que ella vende. Para ello considera el siguiente modelo:

EL MODELO ECONOMETRICO

LAS VARIABLES

Cantidad vendida en unidades por trimestre (Numero de bolsas de 200 gramos cada
una).

Precio de venta de cada bolsa de 200 gramos cada una. Como en algunos
subperiodos del anlisis la inflacin ha sido significativa, el precio de venta ha sido
corregido por el IPC.

Publicidad es calculada a travs del tiempo de difusin televisiva del comercial del
producto. Adicionalmente se ha ponderado por un ndice de costos, teniendo en
cuenta que el valor costo de la difusin a determinadas horas est relacionado con las
horas de mayor audiencia, lo que implica un mayor efecto publicitario.

Ingreso de los demandantes, es obtenido a partir de los indicadores de


remuneraciones publicados por el Ministerio de Trabajo. Aqu tambin se toma el
efecto inflacionario que reduce los ingresos reales y se divide la cifra nominal
por el IPC

ndice de calidad, elaborado semanalmente por el departamento de control


de calidad a partir de pruebas de sabor, contenido, peso, etc., hechas a
muestras de productos listos para ser empaquetados. A partir de la
informacin semanal se calcula el promedio trimestral.

1
El presente caso, tiene propsitos estrictamente acadmicos, y es tomado como referencia de Tcnicas
estadsticas de prediccin aplicable en el campo empresarial. de Jorge Cortez Cumpa

Econ. Segundo A. Calle Ruiz Pgina 2


METODOS CUANTITATIVOS-ECONOMETRIA 2015

SIGNOS ESPERADOS DE LOS PARAMETROS

Tericamente es de esperar que ante un incremento en el precio de una unidad monetaria la


cantidad transada disminuya en unidades, por ley de demanda.

A priori se espera que a mayor tiempo de difusin del comercial del producto se incremente la
cantidad transada en unidades. A mayor publicidad mayor demanda y por lo tanto mayores
ventas

En la medida que la gelatina se puede considerar un bien superior, cada vez que se incremente el
ingreso se espera que se incremente la cantidad transada en unidades

Una mejora en la calidad del producto, se puede esperar que se incremente la cantidad transada en
unidades.

Econ. Segundo A. Calle Ruiz Pgina 3


METODOS CUANTITATIVOS-ECONOMETRIA 2015

DATA

obs Qg Pg Mg R Cg
1985Q1 1750.000 29.00000 200.0000 850.0000 75.00000
1985Q2 1810.000 31.00000 210.0000 870.0000 74.00000
1985Q3 1840.000 32.00000 220.0000 860.0000 73.00000
1985Q4 2025.000 28.00000 260.0000 910.0000 75.00000
1986Q1 1960.000 26.00000 250.0000 880.0000 76.00000
1986Q2 2000.000 29.00000 255.0000 860.0000 77.00000
1986Q3 1950.000 31.00000 240.0000 900.0000 73.00000
1986Q4 2150.000 30.00000 280.0000 920.0000 78.00000
1987Q1 2120.000 32.00000 275.0000 960.0000 79.00000
1987Q2 2100.000 34.00000 265.0000 1000.000 77.00000
1987Q3 2150.000 32.00000 275.0000 1010.000 71.00000
1987Q4 2190.000 28.00000 290.0000 990.0000 75.00000
1988Q1 2130.000 32.00000 280.0000 950.0000 77.00000
1988Q2 2060.000 35.00000 260.0000 960.0000 75.00000
1988Q3 1990.000 36.00000 245.0000 940.0000 76.00000
1988Q4 2155.000 38.00000 280.0000 970.0000 79.00000
1989Q1 2110.000 40.00000 270.0000 960.0000 77.00000
1989Q2 2140.000 39.00000 280.0000 940.0000 81.00000
1989Q3 2125.000 33.00000 290.0000 880.0000 79.00000
1989Q4 2140.000 32.00000 320.0000 860.0000 79.00000
1990Q1 2160.000 30.00000 300.0000 850.0000 81.00000
1990Q2 2125.000 28.00000 290.0000 860.0000 82.00000
1990Q3 2175.000 29.00000 300.0000 840.0000 81.00000
1990Q4 2350.000 30.00000 350.0000 820.0000 82.00000

Econ. Segundo A. Calle Ruiz Pgina 4


METODOS CUANTITATIVOS-ECONOMETRIA 2015

2. ESTIMACION DEL MODELO ECONOMETRICO

MTODO DE MINIMOS CUADRADOS ORDINARIOS

Barra de comandos: ls Qg c Pg Mg R Cg / enter

Dependent Variable: QG
Method: Least Squares
Sample: 1985Q1 1990Q4
Included observations: 24

Variable Coefficient Std. Error t-Statistic Prob.

C 139.1386 239.8676 0.580064 0.5687


PG -0.849749 1.774308 -0.478918 0.6375
MG 3.641833 0.232899 15.63693 0.0000
R 0.716505 0.128037 5.596088 0.0000
CG 4.184197 2.892062 1.446787 0.1643

R-squared 0.972215 Mean dependent var 2071.042


Adjusted R-squared 0.966365 S.D. dependent var 135.0039
S.E. of regression 24.75934 Akaike info criterion 9.439334
Sum squared resid 11647.47 Schwarz criterion 9.684762
Log likelihood -108.2720 Hannan-Quinn criter. 9.504447
F-statistic 166.2051 Durbin-Watson stat 1.832160
Prob(F-statistic) 0.000000

Menu:

Quick/Estimate Equation/ QG=C(1)+C(2)*PG+C(3)*MG+C(4)*R+C(5)*CG/ aceptar

Dependent Variable: QG
Method: Least Squares
Sample: 1985Q1 1990Q4
Included observations: 24
QG=C(1)+C(2)*PG+C(3)*MG+C(4)*R+C(5)*CG

Coefficient Std. Error t-Statistic Prob.

C(1) 139.1386 239.8676 0.580064 0.5687


C(2) -0.849749 1.774308 -0.478918 0.6375
C(3) 3.641833 0.232899 15.63693 0.0000
C(4) 0.716505 0.128037 5.596088 0.0000
C(5) 4.184197 2.892062 1.446787 0.1643

R-squared 0.972215 Mean dependent var 2071.042


Adjusted R-squared 0.966365 S.D. dependent var 135.0039
S.E. of regression 24.75934 Akaike info criterion 9.439334
Sum squared resid 11647.47 Schwarz criterion 9.684762
Log likelihood -108.2720 Hannan-Quinn criter. 9.504447
F-statistic 166.2051 Durbin-Watson stat 1.832160
Prob(F-statistic) 0.000000

Econ. Segundo A. Calle Ruiz Pgina 5


METODOS CUANTITATIVOS-ECONOMETRIA 2015

MTODO DE MXIMA VEROSIMILITUD

Men:

Object / new object / System / ok / QG=C(1)+C(2)*PG+C(3)*MG+C(4)*R+C(5)*CG/


estimate / estimation method / Full information Maximum Likelihood (Marquard)

System: UNTITLED
Estimation Method: Full Information Maximum Likelihood (Marquardt)
Sample: 1985Q1 1990Q4
Included observations: 24
Total system (balanced) observations 24
Convergence achieved after 1 iteration

Coefficient Std. Error z-Statistic Prob.

C(1) 139.1386 460.7116 0.302008 0.7626


C(2) -0.849749 4.236920 -0.200558 0.8410
C(3) 3.641833 0.291777 12.48155 0.0000
C(4) 0.716505 0.226080 3.169250 0.0015
C(5) 4.184197 5.100903 0.820286 0.4121

Log likelihood -108.2720 Schwarz criterion 9.684762


Avg. log likelihood -4.511334 Hannan-Quinn criter. 9.504447
Akaike info criterion 9.439334
Determinant residual covariance 485.3114

Equation: QG=C(1)+C(2)*PG+C(3)*MG+C(4)*R+C(5)*CG
Observations: 24
R-squared 0.972215 Mean dependent var 2071.042
Adjusted R-squared 0.966365 S.D. dependent var 135.0039
S.E. of regression 24.75934 Sum squared resid 11647.47
Durbin-Watson stat 1.832160

OTRAS ESTIMACIONES

Coefficient Covariance Matrix

C PG MG R CG
C 57536.46 146.5853 31.12383 -23.62817 -636.0972
PG 146.5853 3.148170 0.108785 -0.135186 -1.985019
MG 31.12383 0.108785 0.054242 -0.011428 -0.503378
R -23.62817 -0.135186 -0.011428 0.016393 0.208659
CG -636.0972 -1.985019 -0.503378 0.208659 8.364022

Econ. Segundo A. Calle Ruiz Pgina 6


METODOS CUANTITATIVOS-ECONOMETRIA 2015

57536.46 146.5853 31.12383 -23.62817 -636.0972


146.5853 3.148170 0.108785 -0.135186 -1.985019
31.12383 0.108785 0.054242 -0.011428 -0.503378
-23.62817 -0.135186 -0.011428 0.016393 0.208659
-636.0972 -1.985019 -0.503378 0.208659 8.364022

PRESENTACIN ESTNDAR DE LA ESTIMACIN

Q g 139.13.86 0.899749 * Pg 3.641833 * M g 0.716505 * R 4.184197 * Cg


s (239.8676) (1.774308) (0.232899) (0.128037) ( 2.892062)
i

t c 0.580064 0.478918 15.63693 5.596088 1.446768


i
2
R 0.972215 F 166.2051 DW 1.832160
Periodo : 1985Q1 1990Q4

3. EVALUACION DE LOS ESTIMADORES

A. Criterio Econmico (Criterio a priori)


1. Comparar el signo y tamao2 de los parmetros estimados, con aquello
planteado en la primera etapa.
SIGNOS SIGNOS
PARMETROS ESPERADOS OBTENIDOS CONCLUSIN
PARMETROS ESTIMADORES
Qg Cumple con lo
1
Pg especificado

Qg Cumple con lo
2
M g especificado

Qg Cumple con lo
3
R especificado

Qg Cumple con lo
4
C g especificado

2
En este caso no se ha hecho ninguna acotacin respecto al tamao de los parmetros

Econ. Segundo A. Calle Ruiz Pgina 7


METODOS CUANTITATIVOS-ECONOMETRIA 2015

2. Interpretar los estimadores

ESTIMADORES INTERPRETACIN
Un incremento de una unidad monetaria
en el precio de cada bolsa de gelatina de
200 gramos, en promedio la cantidad
transada disminuye en 0.89 bolsas por
trimestre
En promedio un incremento de un minuto
en publicidad televisiva por trimestre, la
cantidad transada se incrementa en 3.64
bolsas por trimestre
El incremento promedio de 100 unidades
monetarias en los ingresos de los
demandantes, la cantidad transada se
incrementa en 0.71 bolsas por trimestre
Un incremento de un punto en el ndice
de calidad, en promedio la cantidad
transada aumenta en 4.18 bolsas por
trimestre

B. Criterio Estadstico (Criterio de primer orden)


Implica someter los estimadores a test. / Exmenes para determinar el grado de
confiabilidad.

1. Test o prueba de hiptesis Individuales: para cada uno de los parmetros del
modelo

H 0 : i 0 H1 : i 0 i 1,2,3,4.

i i H 0
Dado que: t t t ( / 2, n k )
c

si

tc tt , t 2
c
Si si Pr ob( 5%) se acepta H1

Si tc tt , tc 2 si Pr ob( 5%) no existe suficiente evidencia para


rechazar H 0

Econ. Segundo A. Calle Ruiz Pgina 8


METODOS CUANTITATIVOS-ECONOMETRIA 2015

tc Pr ob
HIPOTESIS tc tt CONCLUSION

H 0 : 1 0
H1 : 1 0 -0.478918 2.093024 tc 2 5% No existe suficiente
evidencia para rechazar
la hiptesis nula

H0 : 2 0
H1 : 2 0 15.63693 2.093024 tc 2 5% Se acepta la hiptesis
alterna al 5% de
significancia estadstica

H 0 : 3 0
H1 : 3 0 5.596088 2.093024 tc 2 5% Se acepta la hiptesis
alterna al 5% de
significancia estadstica

H0 : 4 0
H1 : 4 0 1.446768 2.093024 tc 2 5% No existe suficiente
evidencia para rechazar
la hiptesis nula

2. Prueba de Hiptesis Global: para el conjunto de parmetros del modelo

H 0 : 1 2 ... k 0 H1 : 1 2 ... k 0

CMeE
Dado que F c F t ( , k 1, n k )
CMeR

Si F c F t , si Pr ob( 5%) se acepta H 1

Si F c F t , si Pr ob( 5%) no existe suficiente evidencia para rechazar H 0

HIPOTESIS Fc Ft Pr ob CONCLUSION

H 0 : 1 2 3 4 0 Se acepta la hiptesis
H1 : 1 2 3 4 0 166.2051 2.891507 5% alterna al 5% de
significancia estadstica

3. Test de Bondad de Ajuste:

SCE
2
A travs del valor de R R 2 0.972215
SCT

El 97% de las variaciones en la variable endgena cantidad transada de gelatina, son


explicados en promedio por las variables precio de la gelatina, publicidad televisiva,
ingresos de los demandantes e ndice de calidad.

Econ. Segundo A. Calle Ruiz Pgina 9


METODOS CUANTITATIVOS-ECONOMETRIA 2015

C. CRITERIO ECONOMTRICO (CRITERIO DE SEGUNDO ORDEN)

Se trata de determinar a travs de las pruebas correspondientes si los supuestos del


modelo se han cumplido adecuadamente; especialmente el supuesto de normalidad,
supuesto de no multicolinealidad, ausencia de heteroscedasticidad, y no auto
correlacin no contempornea de errores.

1. CONTRASTE DE NORMALIDAD

Se plantean las siguientes hiptesis de trabajo

H0 : se aproxima a una distribucin normal

H1 : no se aproxima a una distribucin normal

JB X (2 ,2)

Si JB X (2 ,2) , si Pr ob( 5%) se acepta H1

Si JB X (2 ,2) , si Pr ob( 5%) no existe suficiente evidencia para


rechazar H 0

Rutina:

EQ01/ View / Residual Tests / Histogram Normality Test / Ok

8
Series: Residuals
7 Sample 1985Q1 1990Q4
Observations 24
6
Mean -7.11e-14
5 Median 0.641537
Maximum 31.08897
4 Minimum -84.07878
Std. Dev. 22.50360
3
Skewness -1.998724
Kurtosis 9.340508
2

Jarque-Bera 56.18163
1
Probability 0.000000
0
-80 -60 -40 -20 0 20 40

Econ. Segundo A. Calle Ruiz Pgina 10


METODOS CUANTITATIVOS-ECONOMETRIA 2015

T k 2 1
JB (S ( K 3) 2 )
S 4
Es el estadstico Jarque- Bera

Donde:

T : 24, es el numero de observaciones de la muestra

k : 5, es el numero de parmetros del modelo general

S : -1.998724, es el coeficiente de asimetra (Skewness)

K : 9.340508, es el coeficiente de apuntamiento (Kurtosis)

JB 56.18169 X (2 , 2) 5.99

Por lo tanto, al 5% de significancia estadstica aceptamos la hiptesis alterna, es decir


que los residuos no se aproximan a una normal.

2. CONTRASTE DE MULTICOLINEALIDAD

A. DEFINICIN

La Multicolinealidad [ Ragnar Frisch ] se presenta cuando las variables explicativas de


un modelo economtrico estn correlacionadas entre s, o en trminos matriciales,
aquella situacin en la que se produce dependencia lineal entre los vectores columna
que representan las observaciones de cada variable .

La situacin descrita, tiene efectos negativos cuando se pretende estimar un modelo


lineal por mnimos cuadrados. Es una situacin en que es difcil separar los efectos
individuales de cada variable explicativa sobre la variable dependiente; y en muchos
casos nos imposibilita obtener valores numricos de los coeficientes.

La multicolinealidad es una cuestin de grado, la discusin no se centra en la


existencia o no existencia del problema; si no ms bien en el grado o intensidad que
se presentan en los modelos.

B. TIPOS

i. Multicolinealidad exacta o perfecta:

Se presenta cuando una de las variables explicativas es combinacin lineal


determinista o exacta de todas -o algunas -de las dems variables.

Econ. Segundo A. Calle Ruiz Pgina 11


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Para que se presente multicolinealidad exacta, debe ocurrir que se incluyan un


conjunto de variables que satisfagan una identidad.

Si se tiene el siguiente modelo lineal: Y 1 X 1 2 X 2 3 X 3

M.P. : X3 2X1 3X 2

Y 1 X1 2 X 2 3( 2 X1 3 X 2 )

Y (1 2 3 )X1 (2 3 3 )X 2

ii. Multicolinealidad aproximada:

Ocurre cuando una de las variables es " aproximadamente" igual o tiende a


aproximarse a una combinacin lineal de las restantes.

Si se tiene el siguiente modelo lineal: Y 1 X 1 2 X 2 3 X 3

M.A.: X3 2X1 3X 2 V

Y 1 X1 2 X 2 3( 2 X1 3 X 2 V)

Y (1 2 3 )X1 (2 3 3 )X 2 W W 3V

Si 3V es relativamente constante puede ir como intercepto; si no lo es


puede generar problemas de heteroscedasticidad.

C. EFECTO INTERACCIN Y MULTICOLINEALIDAD

La multicolinealidad en una ecuacin es producida por la existencia del llamado


efecto interaccin. El efecto interaccin se mide a travs del coeficiente de
correlacin:

rx x x1 x2
2
1 2
x1 x22

Para un modelo Y 0 1 X 1 2 X 2

Econ. Segundo A. Calle Ruiz Pgina 12


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Ausencia de efecto interaccin

rx1x2 0 x1 x 2 0

La matriz ( xx) es una matriz diagonal, al igual que la matriz inversa


1 2 0
x 0 x1
2

( xx) 1 2
( xx)
1
0 x2 0 1 2
x2

x y
El vector de productos cruzados xy 1
x2 y

x1 y
x 2

Por lo tanto: ( xx) xy
1 1

x2 y
x 2
2

As entonces cuando no existe multicolinealidad, los coeficientes de la regresin


lineal serian los mismos de la regresin bivariada.

Existencia completa de efecto interaccin

rx1x2 1 x1 x2 x1 x2
2 2
( x1 x2 ) 2 x12 x22

La matriz ( xx) ya no es una matriz diagonal

x12 x1 x2
( xx) 2
x2 x1 x2

Cuyo determinante sera nulo, lo que implicara que la matriz ( xx) es una matriz
singular, lo que genera la imposibilidad total de obtener el efecto de los regresores
sobre la endgena.

xx x12 x22 ( x1 x 2 ) 2 x12 x22 x12 x22 0

Econ. Segundo A. Calle Ruiz Pgina 13


METODOS CUANTITATIVOS-ECONOMETRIA 2015

D. CAUSAS

Generalmente se clasifican en dos grupos: causas lgicas y causas por error:

i. Causas lgicas:

La multicolinealidad es considerada como un fenmeno muestral, dado que existe en


la muestra y no necesariamente tiene que ver con defectos en la construccin del
modelo. Sin embargo hay algunos tipos de especificacin que es posible conduzcan a
un alto grado de multicolinealidad:

i.1. Modelos que incluyen la variable tiempo como variable explicativa. Si X 1 , X 2


no presentan trayectoria aleatoria a lo largo del tiempo; sin embargo guardan
correlacin con T que implica un componente de tendencia

Y f ( X1 X 2 ,T ; )

i.2. Modelos que incluyen como variables explicativas variables retardadas. Los
rezagos, al ser momentos anteriores de la misma variable, lgico es que esten
altamente correlacionados con el resto de regresores.

i.2.1. Modelos autorregresivos.

Yt f(Yt 1;t ) Yt f(X t ,X t 1,Yt 1;t )

i.2.2. Modelos con retardos distribudos.

Yt f(X t ,X t 1,X t 2 ,X t 3 ; t ) Yt f(X t ,X t 1,X t 2 ,X t 3 ,.......; t )

ii. Causas por error:

El caso ms comn de este tipo es que algunos modelos incluyen variables


irrelevantes y/o que duplican conceptos.

ii.1. Variables irrelevantes

Y a bX cZ dW

La ineficiencia en la especificacin puede incluir W ; pero W no implica


necesariamente incurrir en Multicolinealidad; sin embargo si la Correlacin de W
con X y Z es elevada, entonces la multicolinealidad es por error si es que X y
Z no son colineales.

Econ. Segundo A. Calle Ruiz Pgina 14


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Si al omitir W persiste la multicolinealidad, entonces su causa es lgica si es que X


y Z estn bien especificadas en el modelo.

ii.2. Por duplicidad de Conceptos

Cg f (Ss, Yindep , Uemp, Rpers)

Si el objetivo es evaluar la incidencia sobre el consumo de cada componente del


ingreso nacional, entonces la especificacin esta correcta, no existe duplicidad; sin
embargo, si el objetivo es especificar solamente una funcin de consumo global,
entonces no es necesario desagregar el ingreso nacional.

E. CONSECUENCIAS

No considerar la multicolinealidad significativa en el estimador MCO trae consigo las


siguientes consecuencias:

e.1. Sobre las varianzas:

Las varianzas, desviacin estndar y covarianzas de los coeficientes de la regresin


estimadas son relativamente ms elevadas; es decir, se presenta sobrevaloracin.

e.2. Sobre la estimacin por intervalo:

La estimacin puntual, as como por intervalos ser imprecisa.

e.3. Sobre la toma de decisiones:

Dado [e.1.] y [e.2.] las pruebas de relevancia individual de los regresores, ven
aumentar la probabilidad de cometer el error tipo II.

e.4. Sobre los indicadores de relevancia global:

La multicolinelaidad afecta a la Suma de Cuadrados de la Regresin y por error


sobrevaluandola o subvaluandola, afectando a R y F.

Econ. Segundo A. Calle Ruiz Pgina 15


METODOS CUANTITATIVOS-ECONOMETRIA 2015

F. COMO DETECTAR MULTICOLINEALIDAD

F.1. En base al determinante:


i. Prueba de Beaton y Glauber
ii. Metodo de Farrar Glauber y el aporte de Haitovsky

F.2. Regla de Klein:


i. Primera versin
ii. Segunda Versin
iii. Tercera Versin

F.3. Test de Farrar Glauber:

i. Test X 2 para medir la fortaleza o severidad


ii. Test F , para localizar la multicolinealidad
iii. Test t , para determinar el patrn de multicolinealidad

Aplicacin
F.1.ii. Mtodo de Farrar Glauber y el aporte de Haitovsky
Sea R x , la matriz de correlacin simple entre los regresores de una ecuacin,
entonces:

R, x 1 si todas las variables son independientes

Rx 1 si todas las variables son dependientes

Prueba de Farrar-Glauber:

Interesa comparar el RY . X i ...X k = coeficiente de correlacin multiple de la regresin


original, con aquel RX i . X j ...X k = coeficiente de correlacin multiple de regresionar
una variable explicativa con el resto de explicativas.

R X i . X j ...X k
Si FG 1 indica que hay alto grado de multicolinealidad entre las
RY . X i ....X k
variables explicativas del modelo, generado por la variable. X i

Econ. Segundo A. Calle Ruiz Pgina 16


METODOS CUANTITATIVOS-ECONOMETRIA 2015

RUTINA:
Eq01
Barra de comandos: scalar RQG=SQR(@R2)

FARRAR GLAUBER CONCLUSION


RPg .Mg...Cg 0.5983745859
0
FGpg 0.6068648688
87
No existe multicolinealidad en alto
RQg . p g ....Cg 0.9860095988
06 grado en el modelo, generada por
la variable Pg

RMg.Pg ...Cg 0.7487704762


26
FGmg 0.7593947129
25
No existe multicolinealidad en alto
RQg . p g ....Cg 0.9860095988
06 grado en el modelo, generada por
la variable Mg

RR.Pg ...Cg 0.6973790531


36
FGr 71 No existe multicolinealidad en alto
0.7072741015
RQg . p g ....Cg 0.9860095988
06 grado en el modelo, generada por
la variable R

RCg.Pg ...R 0.8061475380


13
FGcg 0.8175858926
62
No existe multicolinealidad en alto
RQg . p g ....Cg 0.9860095988
06 grado en el modelo, generada por
la variable Cg

Econ. Segundo A. Calle Ruiz Pgina 17


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Aporte de Haitovsky

Haitovsky, sugiere sustituir en el numerador el coeficiente de correlacin mltiple


por cada uno de los coeficientes de correlacin parcial entre los regresores.

rX i X j . X k .. X s
Si H i 1 indica que hay alto grado de multicolinealidad entre las
RY . X i ....X k
variables X i y X j
r
Donde X i X j . X k es el coeficiente de correlacin parcial de primer orden, el cual se
genera a travs de la matriz de coeficientes de correlacin de orden cero.

rij rik rjk


rX i X j . X k
1 rik2 1 rjk2

Si analizamos solo tres variables explicativas del modelo general; a saber:

Pg 1 Mg 2 R3

Rutina
Menu principal: Quick / Group Statistics / Correlations / Pg Mg R / Ok

r12 r21 0.009248 r13 r31 0.493699 r23 r32 0.055460

Tenemos:

r12 r13r23
CPpg r12.3 rPgMg.R 0.0421843315537
1 r132 1 r232

r23 r21r31
CPmg r23.1 rMgR.Pg 0.0690267420424
1 r212 1 r312

r31 r32r12
C Pr r31.2 rRPg .Mg 0.494994836604
1 r322 1 r122

Econ. Segundo A. Calle Ruiz Pgina 18


METODOS CUANTITATIVOS-ECONOMETRIA 2015

HAITOVSKY CONCLUSION
rPgMg.R 0.0421843315
537
No existe multicolinealidad en alto
Hpg 0.042850391 grado en el modelo, entre las
RQg . p g ....R 0.9844561457
34 variables Pg y Mg
rMgR.Pg 0.0690267420
424
No existe multicolinealidad en alto
Hmg 0.0701166246 grado en el modelo, entre
RQg . p g ....R 0.9844561457
34 Las variables Mg y R
rRPg .M g 0.494994836604
No existe multicolinealidad en alto
Hr 0.502810448 grado en el modelo, entre las
RQg . p g ....R 0.984456145734 variables R y Pg

F.2. Regla de Klein

F2.i. Primera versin

Interesa verificar si R 2 X i . X j ...X k = coeficiente de correlacin mltiple de


regresionar una variable explicativa con el resto de explicativas es > que el
2
R = coeficiente de correlacin multiple de la regresin original, para afirmar
Y . X i ...X k

que bajo estas condiciones el modelo presenta alto grado de multicolinealidad,


generado por el X i regresor.

R 2 X i . X j ...X k R 2Y . X i ...X k Conclusin

R 2 Pg .M g ...Cg 0.3580521 R 2Qg .Pg ,M g , R,Cg 0.9722149 No existe alto grado de


multicolinealidad generado por Pg
R 2 Mg.Pg ...Cg 0.5606572 R 2Qg .Pg ,M g , R,Cg 0.9722149 No existe alto grado de
multicolinealidad generado por Mg
R 2 R.Pg ...Cg 0.4863375 R 2Qg .Pg ,M g , R,Cg 0.9722149 No existe alto grado de
multicolinealidad generado por R
R 2Cg.Pg ...R 0.6498738 R 2Qg .Pg ,M g , R,Cg 0.9722149 No existe alto grado de
multicolinealidad generado por Cg

F.2.ii. Segunda versin

En la versin de correlaciones interesa, comparar el coeficiente de correlacin simple


entre dos regresores y el coeficiente de correlacin mltiple de la ecuacin- la raz
cuadrada del coeficiente de determinacin-. Es decir existir alto grado de

multicolinealidad si rX i X j RY . X i ...X k .

Econ. Segundo A. Calle Ruiz Pgina 19


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Rutina
Menu principal: Quick / Group Statistics / Correlations / Pg Mg R Cg / Ok

rX i . X j RY . X i ...X k Conclusin

rPg .M g 0.009248077920040531 RQg .Pg ,M g , R,Cg 0.9860095 No existe alto grado de


multicolinealidad entre Pg y Mg

rPg .R 0.4936989760000663 RQg .Pg ,M g , R,Cg 0.9860095 No existe alto grado de


multicolinealidad entre Pg y R
rPg .Cg 0.0621723581168493 RQg .Pg ,M g , R,Cg 0.9860095 No existe alto grado de
multicolinealidad entre Pg y Cg
rMg.R - 0.05545958
983547692 RQg .Pg ,M g , R,Cg 0.9860095 No existe alto grado de
multicolinealidad entre Mg y R
rM g .Cg 0.6956011341541286 RQg .Pg ,M g , R,Cg 0.9860095 No existe alto grado de
multicolinealidad entre Mg y Cg
rR.Cg - 0.36118876
13715013 RQg .Pg ,M g , R,Cg 0.9860095 No existe alto grado de
multicolinealidad entre R y Cg

F.2.iii. Tercera versin

La versin ms empleada es aquella que precisa, que si al menos una correlacin


entre regresores supera a una correlacin de uno de los regresores con la endgena.

Es decir si al menos un rX i X j RY . X i

Rutina
Menu principal: Quick / Group Statistics / Correlations / Qg Pg Mg R Cg / Ok

Econ. Segundo A. Calle Ruiz Pgina 20


METODOS CUANTITATIVOS-ECONOMETRIA 2015

rX i . X j rY . X i rX i . X j rY . X i
rPg .M g 0.0092480 rQg .Pg 0.1387116 rPg .M g 0.0092480 rQg .R 0.20349972

rPg .R 0.4936989 rQg .Pg 0.1387116 rPg .R 0.4936989 rQg .R 0.20349972

rPg .Cg 0.0621723 rQg .Pg 0.1387116 rPg .Cg 0.0621723 rQg .R 0.20349972

rMg.R - 0.0554595 rQg .Pg 0.1387116 rMg.R - 0.0554595 rQg .R 0.20349972

rM g .C g 0.6956011 rQg .Pg 0.1387116 rM g .C g 0.6956011 rQg .R 0.20349972

rR.Cg - 0.3611887 rQg .Pg 0.1387116 rR.Cg - 0.3611887 rQg .R 0.20349972

rPg .M g 0.0092480 rQg .Mg 0.9504192 rPg .M g 0.0092480 rQg .Cg 0.6117704

rPg .R 0.4936989 rQg .Mg 0.9504192 rPg .R 0.4936989 rQg .Cg 0.6117704

rPg .Cg 0.0621723 rQg .Mg 0.9504192 rPg .Cg 0.0621723 rQg .Cg 0.6117704

rMg.R - 0.0554595 rQg .Mg 0.9504192 rMg.R - 0.0554595 rQg .Cg 0.6117704

rM g .C g 0.6956011 rQg .Mg 0.9504192 rM g .C g 0.6956011 rQg .Cg 0.6117704

rR.Cg - 0.3611887 rQg .Mg 0.9504192 rR.Cg - 0.3611887 rQg .Cg 0.6117704

As entonces existe evidencia suficiente de que el modelo presenta multicolinealidad


en alto grado.

G. COMO CORREGIR MULTICOLINEALIDAD

G.1. Mediante estimacin del modelo propuesto

1. Preestimacin

Excluir alguna variable que pueda estar muy correlacionada con otras
variables explicativas y asociar el coeficiente de dicha variable un valor
estimado por otro procedimiento.

2. Regresin Cresta

Incrementado los elementos de la diagonal de X'X en una constante,


cambia el " tamao " de la matriz y evita el problema de singularidad
aproximada.

Econ. Segundo A. Calle Ruiz Pgina 21


METODOS CUANTITATIVOS-ECONOMETRIA 2015

3. Otras soluciones: (i) pasar de un modelo uniecuacional a uno de varias


ecuaciones, (ii) eliminar los retardos del modelo mediante
especificacin ad hoc de los coeficientes, (iii) utilizar componentes
principales.

G.2. Mediante Exclusin de Variables

Identificar variables que generan al multicolinealidad y excluirlas del proceso


de estimacin.

G.3. Otras soluciones: (i) Alteracin de la muestra, (ii) Combinacin de


Informacin, (iii) Cambio de unidades de medida.

3. CONTRASTE DE HETEROCEDASTICIDAD

A. DEFINICION

Se define como aquella situacin en la que no se cumple el supuesto de que la


varianza del trmino de error es constante, es decir el trmino de error no tiene
igual varianza asociada a las n T observaciones muestrales. Es decir se tiene
ahora, que en muchas ocasiones es imposible sostener el cumplimiento de dicho
supuesto, por lo que Var ( )
i i
2
Var(U ) 2 I
i n

B. CAUSAS

1. Fundamentalmente-no exclusivamente-, la causa inherente es cuando se


estima un modelo economtrico con informacin de corte transversal.

2. Por combinacin de informacin de corte transversal, pues con el objeto


de aumentar el tamao de la muestra, se puede formar una combinacin
de cortes transversales aplicados en diferentes momentos de tiempo.
3. La omisin de una variable importante o relevante en el modelo

Econ. Segundo A. Calle Ruiz Pgina 22


METODOS CUANTITATIVOS-ECONOMETRIA 2015

C. CONSECUENCIAS

1. Bajo el supuesto de que las variables explicativas del modelo son


deterministicas y Var(U ) 2 entonces el estimador de Mnimos cuadrados

ordinarios ser insesgado pero ineficiente.

2. Las estimaciones de las varianzas no sern mnimas, son sesgadas


(subestimadas).

3. Las pruebas estadsticas de significancia y los intervalos de confianza sern

incorrectos. El estadstico t es subestimado, y ya no es vlido utilizar


c

dicha prueba porque ya no existe independencia.


D. COMO DETECTAR HETEROCEDASTICIDAD

D.1. Test Grafico


D.1.1. Va diagrama de dispersin bivariada: endgena y regresor
D.1.2. Va diagrama de dispersin residual: residuos cuadrticos y regresor
D.2. Test de Glejser
D.3. Test de ARCH heterocedasticidad Condicional Autorregresiva.
D.4. Test de Park
D.5. Test de White
D.2.I. General (trminos cruzados)
D.2.II. Simplificado (trminos no cruzados)
D.2.iii. Simplificado (trminos cuadrticos)
D.6. Test de Harvey
D.7. Test de Breusch y Pagan
D.8. Test de Spearman
D.9. Test de Goldfeld & Quant

Econ. Segundo A. Calle Ruiz Pgina 23


METODOS CUANTITATIVOS-ECONOMETRIA 2015

APLICACION

D.1. Test Grafico

D.1.1. Va diagrama de dispersin bivariada: endgena y regresor

Consiste en graficar la variable endgena con cada una de las variables exgenas. As
entonces, existir heterocedasticidad significativa si tenemos el siguiente
comportamiento.

D.1.2. Va diagrama de dispersin residual: residuos cuadrticos y regresor

D.2. Test de Glejser

i. Trata de estimar e identificar la verdadera estructura de heterocedasticidad,


no limitndose solamente al anlisis de estructuras lineales; sin embrago, la limitante
est en que solo resulta til cuando dicha estructura se cree que debe ser explicada
con una sola variable.

1 1
i 0 1Z ih i i2 0 1Zih i h 1,1, ,
2 2

Se escoge el valor de h que proporcione la mejor regresin. Lo anterior implica


validar la significancia estadstica de 1 y la menor suma de cuadrados residuales (la
menor de todas las regresiones). Debindose repetir el proceso para las dems
variables.
Econ. Segundo A. Calle Ruiz Pgina 24
METODOS CUANTITATIVOS-ECONOMETRIA 2015

Se plantea las siguientes hiptesis de trabajo:

H 0 : 1 0 Existe homocedasticidad (no existe heterocedasticidad)

H 1 : 1 0 Existe heterocedasticidad (no existe homocedasticidad)

Rutina

Eq01 / Proc / Make Residual Series/ Ordinary / Resid01 / Ok

Barra de comandos
Ls Resid01^2 c Pg
Ls Resid101^2 c 1/Pg
Ls Resid01^2 c sqr (Pg)
Ls Resid01^2 c 1/sqr (Pg)
i2 0 1Z ih i tc Pr ob
SUMA DE CUADRADOS
RESIDUALES

h 1 Re sid1t2 0 1 Pgt t
-0.249677 >5% 47012766.27804009

h 1 Re sid12 1
t 0 1 t 0.131671 >5%
Pgt 47108856.45653135

1 Re sid1t2 0 1 P gt t
h >5% 47041490.76156904
2
-0.221059
1
h Re sid1t2 0 1 1
t
2 Pgt 0.161873 >5%
47089894.62067604

Como t c t((t 0.05 / 2), 22) 2.07387 , tc 2 si Pr ob( 5%) no existe


suficiente evidencia para rechazar H 0 entonces existe homocedasticidad.

ii. Se trata de regresionar el valor absoluto de los residuos en funcin de los


regresores del modelo general, y construir el estadstico de prueba T*R que ser
contrastado con una Chi cuadrado con P-1 grados de libertad, donde P es el numero
de regresores del modelo.

Econ. Segundo A. Calle Ruiz Pgina 25


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Rutina: barra de comandos


Ls ABS (Resid01) c Pg Mg R Cg

T * R 2 24 * 0.356274 8.550576
X (20.05, 4) 9.4877

Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo es
homocedastico; Lo cual tambin se observa a travs del reporte del software

Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / Glejser / Ok

Econ. Segundo A. Calle Ruiz Pgina 26


METODOS CUANTITATIVOS-ECONOMETRIA 2015

D.2. Test de White

D.2.I. General

No es necesario especificar la relacin funcional que pueda adoptar la


heterocedasticidad.

Se trata de regresionar el cuadrado de los residuos minimos cuadrticos, en funcin


de una constante, los regresores del modelo general, sus cuadrados y los productos
cruzados de segundo orden.

Construir el estadstico de prueba T*R que ser contrastado con una Chi cuadrado
con P-1 grados de libertad, donde P es el numero de regresores del modelo de la
etapa anterior.

Eq01 / Proc / Make Residual Series/ Ordinary / Resid01 / Ok

Rutina: barra de comandos


Ls Resid01^2 c Pg Mg R Cg Pg^2 Mg^2 R^2 Cg^2 PgMg PgR PgCg MgR MgCg RCg

T * R 2 24 * 0.795837 19.10010
X (20.05,14) 23.6847

Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo es
homocedastico; lo cual tambin se observa a travs del reporte del software.

Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / White / include White Cross
terms / Ok

Econ. Segundo A. Calle Ruiz Pgina 27


METODOS CUANTITATIVOS-ECONOMETRIA 2015

D.2.II. Simplificado

No es necesario especificar la relacin funcional que pueda adoptar la


heterocedasticidad.

Se trata de regresionar el cuadrado de los residuos mnimos cuadrticos, en funcin


de una constante y los regresores al cuadrado del modelo general

Construir el estadstico de prueba T*R que ser contrastado con una Chi cuadrado
con P-1 grados de libertad, donde P es el numero de regresores del modelo de la
etapa anterior.

Rutina: barra de comandos


Ls Resid01^2 c Pg^2 Mg^2 R^2 Cg^2

Econ. Segundo A. Calle Ruiz Pgina 28


METODOS CUANTITATIVOS-ECONOMETRIA 2015

T * R 2 24 * 0.308015 7.392363
X (20.05, 4) 9.4877
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad
Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia
suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo es
homocedastico; lo cual tambin se observa a travs del reporte del software

Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / White /no include White
Cross terms / Ok

D.3. Test de ARCH heterocedasticidad Condicional Autorregresiva.

Este test se aplica solamente a modelos de series de tiempo, en razn de que hay
variables econmicas que presentan a travs del tiempo algunos periodos de
estabilidad seguidos de inestabilidad para retornar luego a la estabilidad. Dichos
comportamientos se califican como comportamientos voltiles.

Econ. Segundo A. Calle Ruiz Pgina 29


METODOS CUANTITATIVOS-ECONOMETRIA 2015

En dichas situaciones es conveniente, especificar un modelo de heterocedasticidad


del tipo:

t2 0 1t21 2 t2 2 ... p t2 p
Donde:

t N (0, 2 )

Se trata de regresionar los residuos al cuadrado, sobre una constante y los residuos al
cuadrado rezagados.
Construir el estadstico de prueba T*R que ser contrastado con una Chi cuadrado
con P grados de libertad, donde P es el numero de rezagos de los residuos al
cuadrado.

Rutina: barra de comandos


Para probar Hetrocedasticidad condional autorregresiva de primer orden
Ls Resid01^2 c Resid01^2(-1)

ARCH (1) T * R 2 23 * 0.006233 0.143359

X (20.05,1) 3.84
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo es
homocedastico. Lo cual tambin se observa a travs del reporte del software

Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / Arch /Number of Lags(1) /
Ok

Econ. Segundo A. Calle Ruiz Pgina 30


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Rutina: barra de comandos


Para probar Hetrocedasticidad condional autorregresiva de segundo orden
Ls Resid01^2 c Resid01^2(-1) Resid01^2(-2)

ARCH (2) T * R 2 22 * 0.015957 0.351058

X (20.05, 2) 5.99
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo es
homocedastico. Lo cual tambin se observa a travs del reporte del software
Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / Arch /Number of Lags(2) /
Ok

Econ. Segundo A. Calle Ruiz Pgina 31


METODOS CUANTITATIVOS-ECONOMETRIA 2015

E. COMO CORREGIR HETEROCEDASTICIDAD

Se plantean tres tipos de transformaciones en base al mtodo de mnimos cuadrados


ponderados

E.1. Si se supone que la varianza de las perturbaciones es proporcional al


cuadrado de la variable exgena- la cual causa heterocedasticidad-; entonces
la transformacin a aplicarse es dividir el modelo original por el regresor, y
luego estimar el modelo transformado.

E.2. Si se supone que la varianza de las perturbaciones es proporcional al


regresor- el cual causa heterocedasticidad-; entonces la transformacin a
aplicarse es dividir el modelo original por la raz cuadrada del regresor, y
luego estimar el modelo transformado.

E.3. Si se supone que la varianza de las perturbaciones es proporcional al


cuadrado del valor esperado de la variable endogena; entonces la
transformacin a aplicarse es dividir el modelo original por el valor esperado
de la variable endgena, y luego estimar el modelo transformado.

Las transformaciones E.1. y E.2, se aplican cuando se ha identificado la orientacin


y el regresor causante de la heterocedasticidad . La transformacin E.3. Se aplica

Econ. Segundo A. Calle Ruiz Pgina 32


METODOS CUANTITATIVOS-ECONOMETRIA 2015

cuando todos lo regresores generan heterocedasticidad, o a pesar de que hay


indicios del problema, los test aplicados no lo han detectado.

Rutina
Eq01 / Estimate / Options /Weighted LS/TSLS / Weight: 1/Pg / Aceptar
Eq01 / Estimate / Options /Weighted LS/TSLS / Weight: 1/sqr(Pg) /Aceptar

Para generar el valor esperado de la variable endgena, se sigue la siguiente rutina:


Eq01 / forecast / qgf / Ok . y luego se hace la transformacin correspondiente
Eq01 / Estimate / Options /Weighted LS/TSLS / Weight: 1/qgf /Aceptar

Econ. Segundo A. Calle Ruiz Pgina 33


METODOS CUANTITATIVOS-ECONOMETRIA 2015

4. CONTRASTE DE AUTOCORRELACION

A. DEFINICION

Se define autocorrelacion cuando el trmino de error de un modelo economtrico


esta correlacionado consigo mismo a travs del tiempo o del espacio; es decir que:
E ( i s ) 0

B. CAUSAS

1. Existencia de ciclos y tendencias

Debido a la inercia inherente en la mayora de variables macroeconmicas,


la variable endgena del modelo economtrico presenta ciclos, y si las
variables exgenas no son capaces de explicarlos, entonces el trmino de
error tendr autocorrelacion.

2. Por omisin de variables

3. Error de especificacin del modelo

4. Relaciones dinmicas

5. Cambios de estructura

Econ. Segundo A. Calle Ruiz Pgina 34


METODOS CUANTITATIVOS-ECONOMETRIA 2015

C. CONSECUENCIAS

1. Bajo el supuesto de que las variables explicativas del modelo son


deterministicas, el estimador de Mnimos cuadrados ordinarios ser
insesgado.

2. Ya no ser el estimador lineal insesgado de varianza mnima. Existe sesgo


sistemtico en el clculo de sus varianzas muestrales.

3. Incorrecta aplicacin de las pruebas estadsticas de significancia.

D. COMO DETECTAR AUTOCORRELACION

D.1. Test grafico


D.2. Durbin-watson
D.3. En base al multiplicador de Lagrange
D.4. Box Pierce

Aplicacin

Eq01 / Proc / Make Residual Series/ Ordinary / Resid01 / Ok

D.1. Test grafico

D.1.i Los residuos en funcin del tiempo

Rutina:
Quick / graph / @trend(1984q4) resid01 / Ok / Scatter / Aceptar

Econ. Segundo A. Calle Ruiz Pgina 35


METODOS CUANTITATIVOS-ECONOMETRIA 2015

D.1.II. Los residuos en funcin de los residuos rezagados

Rutina:
Quick / graph / resid01(-1) resid01 / Ok / Scatter / Aceptar

En ambos casos no se evidencia presencia de autocorrelacion o positiva o negativa

Econ. Segundo A. Calle Ruiz Pgina 36


METODOS CUANTITATIVOS-ECONOMETRIA 2015

D.2. Durbin-watson

En la medida que se presuma que el trmino de error del modelo economtrico tiene
autocorrelacion de primer orden: t t 1 t donde t no tiene

autocorrelacion
.
Eentonces el estadstico Durbin-Watson (DW) permite contrastar la hiptesis nula de
ausencia de auto correlacin de primer orden.
El estadstico se define:
T T

( t t 1 ) 2 ( t
2
2 t t 1 t21 )
DW d 2
T
2
T
1 2 1 2(1 )

2
t
2

2
t
2

DW d 2(1 )
Cuando:

0 DW d 2
no habr autocorrelacion de primer orden ni positiva ni
negativa

1 DW d 4
Evidencia de autocorrelacion de primer orden negativa

1 DW d 0
Evidencia de autocorrelacion de primer orden positiva

Dada la dependencia de cualquier valor calculado de d sobre la matriz X asociada, no


es posible calcular valores crticos exactos para d para todos los casos posibles.

dU dL
DW, establecieron las Cotas superior e inferior para los valores crticos, las
cuales permiten verificar la hiptesis nula de ausencia de autocorrelacion de primer
orden frente a la hiptesis alterna de presencia de autocorrelacion .

A B C D E
0 dl du 2 4-du 4-dl 4

Econ. Segundo A. Calle Ruiz Pgina 37


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Si el estadstico se ubica en la zona (B o D), se presenta ambigedad, no se puede ser


concluyente
Si el estadstico se ubica en la zona (C), No rechazamos la hiptesis de ausencia de
autocorrelacion de primer orden
Si el estadstico se ubica en la zona (A), Aceptamos la hiptesis de evidencia de
autocorrelacion de primer orden y positiva
Si el estadstico se ubica en la zona (E), Aceptamos la hiptesis de evidencia de
autocorrelacion de primer orden y negativa

Se necesita:
d L 1.01 dU 1.78 K 4 5% T 24

El estadstico que aparece en el reporte de EQ01 es: d 1.832160


En tal razn podemos concluir que el modelo no presenta autocorrelacion de primer
orden

D.3. En base al multiplicador de Lagrange

Puede utilizarse para casos de indeterminacin de Durbin Watson , adems para


probar autocorrelacion superior a primer orden.

Rutina:
Para verificar autocorrelacion de primer orden (Asumiendo muestra grande)
Eq01 / View / Residual Tests / Serial correlation LM test / lags to include: 1 / Ok

Econ. Segundo A. Calle Ruiz Pgina 38


METODOS CUANTITATIVOS-ECONOMETRIA 2015

LM T * R 2 24 * 0.001149 0.02757
X (20.05,1) 3.84
Dado que:
H 0 : No existe AR(1) H1 : Existe AR(1)

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo no
presenta autocorrelacion de primer orden.

Rutina:
Para verificar autocorrelacion de segundo orden(Asumiendo muestra grande)
Eq01 / View / Residual Tests / Serial correlation LM test / lags to include: 2 / Ok

Econ. Segundo A. Calle Ruiz Pgina 39


METODOS CUANTITATIVOS-ECONOMETRIA 2015

LM T * R 2 24 * 0.002412 0.057888
X (20.05, 2) 5.99
Dado que:
H 0 : No existe AR(2) H1 : Existe AR(2)

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo no
presenta autocorrelacion de segundo orden .

D.4. Box Pierce

Rutina:
Para verificar autocorrelacion (Asumiendo muestra grande)
Eq01 / View / Residual Tests / correlogram Q-statistics / lags to include: 2 / Ok

Econ. Segundo A. Calle Ruiz Pgina 40


METODOS CUANTITATIVOS-ECONOMETRIA 2015

Para Probar AR(1)

QBP 24(0.032) 2 0.024576

X (20.05,1) 3.84
Dado que:
H 0 : No existe AR(1) H1 : Existe AR(1)

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo no
presenta autocorrelacion de primer orden.

Para Probar AR(2)

QBP 24((0.032) 2 (0.34) 2 ) 0.05232

X (20.05, 2) 5.99
Dado que:
H0 :
No existe AR(2)
H1 : Existe AR(2)

Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia


suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo no
presenta autocorrelacion de segundo orden.

Econ. Segundo A. Calle Ruiz Pgina 41


METODOS CUANTITATIVOS-ECONOMETRIA 2015

E. COMO CORREGIR AUTOCORRELACION

Si fuese el caso de que el modelo presentara autocorrelacion , existen alternativas


operativas para atenuar la autocorrelacion; sin embargo la alternativa ms utilizada
es el procedimiento iterativo de Cochrane-Orcutt.

Se trata de regresionar el modelo original incorporando como un regresor mas la


opcin AR(p), donde p es el orden de la autocorrelacion que se haya detectado
anteriormente

Aplicacin

Rutina Barra de comandos


Ls Qg c pg Mg R Cg AR(1)

Econ. Segundo A. Calle Ruiz Pgina 42


METODOS CUANTITATIVOS-ECONOMETRIA 2015

4. EVALUACION DE LA CAPACIDAD PREDICTIVA

Pronostico dentro de la muestra: simulacin

Rutina

Eq01 / forecast / qgf / Ok .

Observar Coeficiente de desigualdad de Theil, el cual debe aproximarse a cero para calificar
un adecuado simulacin

Pronostico fuera de la muestra: prediccin

Necesidad de contar con valores de las variables exgenas, para poder pronosticar o
predecir la variable endgena ms all de la muestra.

Econ. Segundo A. Calle Ruiz Pgina 43

You might also like