Escolar Documentos
Profissional Documentos
Cultura Documentos
1. No hay guía a priori sobre la longitud máxima que debe tener el rezago.
2. A medida que se estiman rezagos sucesivos, quedan menos grados de libertad, con lo cual
se debilita un poco la inferencia estadística. Por lo general, los economistas no tienen la suerte
de contar con series largas que les permitan estimar numerosos rezagos.
3. Aún más importante, en la información de series de tiempo económicas, los valores (de
rezagos) sucesivos tienden a estar altamente correlacionados; por tanto, sale a relucir la
multicolinealidad. La multicolinealidad genera una estimación imprecisa; es decir, los errores
estándar tienden a ser grandes en relación con los coeficientes estimados. Como resultado,
con base en el cálculo rutinario de las razones t, podemos tender a declarar (erróneamente)
que uno o varios coeficientes de los rezagos son estadísticamente no significativos.
Se han diseñado algunos métodos abreviados: los mecanismos de Koyck, de
expectativas adaptativas y de ajuste parcial. El primero es un método puramente
algebraico y los otros dos se basan en principios económicos.
Método de Koyck para los modelos de rezagos distribuidos
Pero observe las siguientes características de la transformación de Koyck:
1. Empezamos con un modelo de rezagos distribuidos y terminamos con un modelo
autorregresivo. Esta transformación muestra la forma como un modelo de rezagos distribuidos
se “convierte” en un modelo autorregresivo.
2. Es probable que la aparición de Yt−1 cree algunos problemas estadísticos. Yt−1, al igual que
Yt, es estocástica, lo cual significa que tenemos una variable explicativa estocástica en el
modelo. Recuerde que la teoría clásica de mínimos cuadrados se basa en el supuesto de que
las variables explicativas son no estocásticas o, en caso de serlo, están distribuidas
independientemente del término de perturbación estocástico.
3. La presencia de la Y rezagada viola un supuesto en que se basa la prueba d de Durbin-
Watson. Por consiguiente, debemos desarrollar una prueba alterna para verificar la correlación
serial en presencia de una Y rezagada. Una alternativa es la prueba h de Durbin
La regresión del GCPC sobre el IDPC y el GCPC rezagado arrojó los resultados que se
presentan en la tabla siguiente.
En palabras, un incremento sostenido de un dólar en el IDPC producirá al fi nal
alrededor de 1.05 dólares de aumento en el GCPC, pero el impacto inmediato, o de
corto plazo, es de sólo 21 centavos de dólar.
Como el modelo de expectativas adaptativas se basa en la transformación de Koyck, los
resultados de la tabla. También se interpretan. Por consiguiente, el 0.797146. podemos
decir que alrededor de 20% de la discrepancia entre el IDPC real y el esperado se
elimina en el transcurso de un año.
Durbin H es 3.82 demuestra que existe auto correlación positiva por ser mayor a 3 por
lo que se determina que la muestra es razonablemente grande.
Dato extra: Como este valor h sigue una distribución normal estandarizada según la hipótesis nula, es muy
pequeña la probabilidad de obtener un valor h tan alto. Recuerde que la probabilidad de que una variable normal
estándar rebase el valor de ±3 es muy reducida. Así, en este ejemplo, la conclusión es que hay auto correlación
(positiva). Por supuesto, es necesario tener presente que h sigue la distribución normal estandarizada
asintóticamente. La muestra de 47 observaciones es razonablemente grande.
Como este valor h sigue una distribución normal estandarizada según la hipótesis nula,
es muy pequeña la probabilidad de obtener un valor h tan alto. Recuerde que la
probabilidad de que una variable normal estándar rebase el valor de ±3 es muy
reducida. Así, en este ejemplo, la conclusión es que hay auto correlación (positiva).
Por supuesto, es necesario tener presente que h sigue la distribución normal
estandarizada asintóticamente. La muestra de 47 observaciones es razonablemente
grande.
Observe estas características del estadístico h:
1. No importa cuántas variables X o cuántos valores rezagados de Y se incluyan en el
modelo de regresión. Para calcular h debemos considerar sólo la varianza del
coeficiente del rezago.
2. La prueba no es aplicable si [n var (ˆα2)] es superior a 1. (¿Por qué?) En la práctica,
sin embargo, no es usual que esto suceda.
3. Como se trata de una prueba de muestras grandes, su aplicación en muestras
pequeñas no se justifica del todo, como demuestran. Se ha sugerido que la prueba de
Breusch-Godfrey (BG), también conocida como prueba del multiplicador de Lagrange,
es estadísticamente más potente, no sólo en las muestras grandes, sino también en
muestras finitas, o pequeñas, y, por consiguiente, es preferible a la prueba h.
La conclusión basada en la prueba h que el modelo sufre de auto correlación se
confirma con la prueba de Breusch-Godfrey (BG). Con los siete valores rezagados de
los residuos estimados de la regresión de la tabla de regresión anterior la prueba BG
ilustrada en la siguiente tabla obtuvo un valor estadístico de 15.3869. Para siete
grados de libertad (el número de residuos rezagados en la prueba BG), la probabilidad
de obtener un valor ji cuadrada de 15.38 o mayor es de aproximadamente 3%.
Por esta razón es necesario corregir los errores estándar que aparecen en la tabla ña
siguiente tabla la cual los resultados se presentan a continuación.
Al parecer, MCO subestima los errores estándar de los coeficientes de regresión.
Una alternativa para los modelos rezagados de regresión recién analizada es el modelo
de rezagos distribuidos polinomiales de Almon, con el cual se evitan los problemas
de estimación asociados a los modelos autorregresivos. El principal problema con el
método de Almon, sin embargo, es que se debe especificar por anticipado la longitud
del rezago y el grado del polinomio. Hay métodos formales e informales para resolver la
selección de la longitud del rezago y el grado del polinomio.
En el método de Almon no hay que preocuparnos por la presencia de la variable
dependiente rezagada como variable explicativa en el modelo y los problemas de
estimación que esto crea.
Se puede ajustar un polinomio de un grado lo bastante bajo, el número de coeficientes
por estimar (las a) es mucho menor que el número original de coeficientes (las β).
Pero destaquemos de nuevo los problemas de la técnica de Almon. En primer lugar, el
grado del polinomio, al igual que el valor máximo del rezago, es en gran medida una
decisión subjetiva. En segundo lugar, por las razones ya mencionadas, es probable que
las variables Z presenten multicolinealidad.
Se debe tener cuidado con la técnica de rezagos distribuidos de Almon, pues los
resultados pueden llegar a ser sensibles a la hora de elegir el grado del polinomio y/o el
número de coefi cientes rezagados.
A pesar de los problemas de estimación, que pueden resolverse, los modelos distribuidos y
autorregresivos han demostrado ser muy útiles en la economía empírica, porque con ellos es
posible dinamizar la teoría económica que de otra forma sería estática, al tener en cuenta
explícitamente el papel del tiempo. Tales modelos permiten diferenciar respuestas de corto y
largo plazos de la variable dependiente ante cambios unitarios en el valor de la(s) variable(s)
explicativa(s). Así, para estimar los plazos corto y largo de precio, ingreso, sustitución y otras
elasticidades, estos modelos han demostrado ser muy útiles.