Estimacin y validacin de un modelo economtrico

A continuacin se va a abordar el anlisis de factores que influyen en el precio del oro. Las
observaciones son obtenidas a partir de la base de datos que posee Gretl, ms
concretamente, se trata de un ejemplo de Gujarati donde el precio del oro, PRICE, se estima
a partir del ndice de consumo del mismo, CPI, y el de la bolsa de Nueva York, NYSE. La
estimacin obtenida es:
PRICE = 5'81097 CPI + 1'89673 NYSE, R-cuadrado = 0'9455, R-ajustado = 0'9413.
Tras dicha estimacin podemos observar los valores reales del precio del oro, los estimados
y los residuos de la estimacin, de forma que se pueden representar los dos primeros de
forma conjunta as como los terceros.
A continuacin se realiza el contraste de normalidad de los residuos. En este caso, puesto
que el p-valor es inferior a 0.05, se rechaza la hiptesis nula de normalidad. Por tanto, en
este caso no hay normalidad en el modelo, por lo que no se podra abordar realizar
inferencia en el mismo y, por tanto, no sera factible obtener conclusiones legtimas a partir
del ajuste realizado.
Sin embargo, a modo de ejemplo, supongamos que si se ha obtenido normalidad en los
residuos y pasemos a interpretar los distintos test sobre los parmetros y el modelo. Con
respecto a los p-valores asociados a los contrastes de significacin individual tenemos que
ambos son inferiores a 0.05, por lo que se rechaza la hiptesis nula de que los coeficientes
de las variables independientes sean nulos. Es decir, tanto el ndice de consumo como el de
la bolsa influyen en el precio del oro. Adems, como los coeficientes estimados son
positivos, conforme aumentan las variables independientes tambin lo hace la dependiente.
A estas conclusiones se pueden llegar tambin a partir de los intervalos de confianza de
cada coeficiente, ya que, como se puede observar, ninguno de los intervalos contiene al
cero. Finalmente, el p-valor asociado al contraste ANOVA tambin es inferior a 0.05, por lo
que se rechazara la hiptesis nula de que todos los regresores son nulos de forma
simultnea. Por tanto, se podra afirmar que el modelo es vlido ya que se puede afirmar
que existe algn tipo de asociacin no debida al azar entre las variables independientes y la
dependiente. Destacar tambin que tanto el coeficiente de determinacin como el corregido
son bastante altos, el ajuste realizado explica alrededor de un 94% de la variabilidad del
precio del oro.
Advirtase que en este ejemplo se pone de manifiesto que las conclusiones obtenidas son
vlidas siempre y cuando se verifiquen las hiptesis bsicas. En este caso no se verifica la
hiptesis no normalidad de los residuos, pero an verificndose, habra que analizar la
posible existencia de heteroscedasticidad y autocorrelacin. Mientras que no se verifiquen
todoas las hiptesis bsicas las conclusiones obtenidas estarn en entredicho.

Deteccin de la autocorrelacin
En el presente ejercicio estimamos por MCO un modelo que pretende explicar el Consumo
en funcin del PIB. Tras introducir los datos, en primer lugar representamos el grfico de
dispersin del Consumo frente al PIB (que adems nos ofrece en su parte superior la
estimacin del modelo). Observamos que la relacin lineal es idnea para el modelo
considerado. Tras esta representacin grfica, estimamos el modelo por MCO,
obtenindose los siguientes resultados:
Consumo(t) = 2'1864 + 0'0796 * PIB(t),

t=1989,...,1994,

siendo ambos coeficientes significativos y con un R cuadrado de 0'9923. Por tanto, parece
que estamos ante un buen ajuste.
Sin embargo, consideramos la opcin de estudiar la existencia de autocorrelacin en el
modelo. Con tal objetivo, vemos que en la pantalla de resultamos tenemos tambin el
estadstico de Durbin-Watson (3'05). Adems tambin se nos facilita el nmero de
observaciones consideradas (6) y es evidente que el nmero de regreseros excluidos la
constante es uno. Por tanto, con esta informacin recurrimos a las tablas de Durbin-Watson,
de forma que obtenemos los lmites: du = 0'6102 y dl=1'4002. Entonces, obtenemos que el
contraste de Durbin-Watson es inconcluyente.
A continuacin recurrimos a los mtodos grficos. De forma que en la pantalla donde
tenemos la estimacin del modelo podemos representar el grfico temporal de los residuos,
observando una alternancia en el signo de los mismos. Lo cual nos hace pensar en la
posible existencia de autocorrelacin negativa. Otra representacin posible es el grfico de
dispersin de los residuos frente a alguno de sus retardos. Con tal objetivo guardo los
residuos, obtengo la serie retardada una vez y los represento, observando una tendencia
decreciente lo cual me vuelve a hacer considerar la posibilidad de existencia de
autocorrelacin negativa.
Luego, a partir de los mtodos grficos parece ser que el modelo presenta autocorrelacin
negativa, si bien el contraste de Durbin-Watson es inconcluyente. En este caso habra que
recurrir a otros mtodos para estudiar la posibilidad de autocorrelacin en el modelo,
aunque en cualquier caso sera muy interesante aumentar el nmero de observaciones del
modelo.

Correccin de la autocorrelacin
Consideramosen este caso el ejemplo de la pgina 242 del libro Econometra de Alfonso
Novales en el que se estudia un modelo de regresin del consumo total (pblico ms
privado) en funcin del PIB.
En primer lugar introducimos los datos en formato ASCII para que posteriormente sean
importados con Gretl. Consideramos pues dos columnas de datos, la primera para el PIB y
la segunda para el consumo, cuya separacin viene determinada por el tabulador.
Una vez recuperados los datos con el software economtrico Gretl, en primer lugar
representamos el diagrama de dispersin del consumo frente al PIB de manera que
observamos que ajustar el modelo por MCO es una opcin idnea. Por lo que procedemos a
la estimacin del modelo mediante dicho mtodo. Los resultados obtenidos son:
Consumo(t) = 76'53 + 0'7689 * PIB(t),

t = 1954,...,1988,

con un R cuadrado de 0'9973 y siendo significativo el coeficiente de la pendiente.

Para estudiar la posibilidad de existencia de autocorrelacin en el modelo, recurrimos a los
mtodos grficos y representamos el grfico temporal de los residuos y el diagrama de
dispersin de los mismos frente a un retardo suyo. En el primero observamos rachas por
encima y debajo de su media (cero) y en el segundo una clara tendencia creciente, luego
consideramos la opcin de que el modelo presente autocorrelacin positiva.
Para tomar una decisin sobre la existencia o no de autocorrelacin en el modelo,
recurrimos al contraste de Durbin-Watson, de forma que en la pantalla donde se obtuvo la
estimacin del modelo tenemos el valor del estadstico de Durbin-Watson (0'3388).
Teniendo en cuenta el nmero de observaciones (35) y el nmero de regresores excluida la
constante (1), los lmites obtenidos a partir de la tabla de Durbin-Watson son: du=1'5191 y
dl=1'4019. Luego claramente en el modelo hay autocorrelacin positiva.
Para corregir la autocorrelacin hay que transformar el modelo:
Yestrella(t) = Consumo(t) - ro * Consumo(t-1),

Xestrella = PIB(t) - ro * PIB(t-1),

luego hay que determinar el valor de ro. Con tal objetivo estimamos el modelo u(t) = ro *
u(t-1) + e(t), obteniendo que ro = 0'824911.
Con esta informacin transformamos los datos y estimamos el nuevo modelo por MCO
obteniendo:

Yestrella(t) = 3'51579 + 0'772551 * Xestrella(t),

t = 1955,...,1988,

con un R cuadrado de 0'997151 y siendo significativo el coeficiente de la pendiente.

Adems, sabemos que la estimacin de la constante del modelo original no es equiparable a
la del segundo modelo. Para obtener la primera hay que dividar la segunda entre 1 - ro.
Por otro lado, a partir del grfico temporal de los residuos y el diagrama de dispersin de
los mismos observamos que se distribuyen de forma aleatoria, lo cual nos hace pensar que
los residuos estn incorrelados. Hiptesis que se confirma al tener en cuenta el valor del
estadstico de Durbin-Watson (1'808495) y los lmites du=1'5136 y dl=1'3929.
Finalmente, se muestran los procedimientos iterativos de Cochrane-Orcutt y Prais-Winsten
para estimar modelos con presencia de autocorrelacin. Hay que advertir que hay que
introducir las variables originales y que la diferencia entre uno y otro consiste en la manera
de transformar los datos. Mientras que el primero prescinde de la primera observacin, el
segundo la considera tratndola como ya sabemos de forma distinta a las dems. Vemos que
ambos mtodos convergen rpidamente y proporcionan valores parecidos para la pendiente
de la regresin y el estadstico de Durbin-Watson (corrigindose evidentemente la
autocorrelacin).

ndice de tornqvist
El ndice de Tornquist es una aproximacin discreta a un ndice Divisia continua.
Un ndice Divisia es una suma ponderada de las tasas de crecimiento de los
distintos componentes, donde las ponderaciones son las acciones de la
componente en el valor total. Cuando se utiliza un ndice de Tornquist como
una aproximacin al ndice Divisia continua, las tasas de crecimiento se definen
como la diferencia de los logaritmos naturales de observaciones sucesivas de
los componentes y los pesos son iguales a la media de las acciones de los
factores de los componentes en el correspondiente par de aos. El ndice de
Tornquist representa una mejora con respecto al ao de base los ndices
ponderados constantes, ya que los precios relativos de los insumos como
cambian, el ndice de Tornquist permite que tanto las cantidades compradas de
las entradas a variar y las ponderaciones utilizadas en la suma de las entradas
para variar, lo que refleja los cambios en los precios relativos . Para la medida
de insumo de trabajo, el ndice de Tornquist efectivamente mide la tasa de
crecimiento de las horas de cada grupo de trabajadores por su parte de la
compensacin laboral.