ECONOMETRÍA

VIOLACIÓN DE LOS
SUPUESTOS DEL MODELO
CLÁSICO
Violación de los supuestos del
modelo clásico
Temas a Tratar:
 Problemas de especificación: omisión de variables
relevantes e inclusión de variables irrelevantes.
Reglas para la selección de variables.
 Errores en variables: Tipos y soluciones.
 Multicolinealidad: Tipos, efectos, detección y
solución
 Heterocedasticidad: Hipótesis, detección y
corrección
 Autocorrelación: Hipótesis, detección y corrección
Violación de los supuestos del
modelo clásico
 Problemas de especificación:
 Omisión de variables relevantes
 Supóngase que el modelo verdadero es:
Yi  1   2 X 1i  3 X 2i  i
 Pero el modelo estimado es:

Yi  1   2 X 1i  i
Violación de los supuestos del
modelo clásico
 Las consecuencias de omitir X2 son:
1. Si la variable excluida está correlacionada con la
incluida, α1 y α2 son sesgados e inconsistentes.
2. Si no, α1 sigue siendo sesgado pero α2 no.
3. La varianza del error (σ2) está incorrectamente
estimada.
4. El error estándar de los parámetros (sα) está mal
estimado.
5. Por lo tanto, los test de hipótesis no entregan
resultados confiables.
Violación de los supuestos del
modelo clásico
 Problemas de especificación:
 Inclusión de variables irrelevantes
 Supóngase que el modelo verdadero es:
Yi  1   2 X 1i  i
 Pero el modelo estimado es:

Yi  1   2 X 1i   3 X 2i  i
Violación de los supuestos del
modelo clásico
 Las consecuencias de la inclusión de variables
irrelevantes son:
1. Los parámetros estimados en el modelo incorrecto
son insesgados y consistentes.
2. La varianza del error (σ2) está correctamente
estimada.
3. Los procedimientos de pruebas de hipótesis sobre
parámetros entregan resultados correctos.
4. Los α estimados son generalmente ineficientes
(sus varianzas son mayores que las de los β).
Violación de los supuestos del
modelo clásico
 Detección de variables irrelevantes: a través
del test t de estas variables y la observación
del R2 ajustado.
 Pero principalmente, por la teoría…
 Detección de omisión de variables omitidas:
con el R2 ajustado, y la observación de los
residuos. Si éstos presentan un patrón es
posible que se haya omitido variables.
 Pero principalmente, por la teoría…
Violación de los supuestos del
modelo clásico
 Errores de medición:
 Errores de medición en la variable
dependiente Y.
 Errores de medición en la variable
independiente X.
Violación de los supuestos del
modelo clásico
 Errores de medición:
 Errores de medición en la variable dependiente Y.
 Si se quiere estimar una función de consumo
agregado:
 Yi*=α+βXi+μi
 Donde
 Yi*= gasto de consumo permanente.
 Xi= ingreso actual.
 μi = término de perturbación estocástico.
Violación de los supuestos del
modelo clásico
 El problema es que Yi* no se pude medir
directamente, lo que se mide es el gasto
observable Yi, tal que:
 Yi=Yi*+εi
 Con εi bien comportado.
 Por lo que realmente se estima:
 Yi*=(α+βXi+μi)+εi
 Yi*=α+βXi+νi
 Por lo tanto E(νi)=0, pero var(νi)=σμ2+σν2.
Violación de los supuestos del
modelo clásico
 Lo anterior genera que el error estándar de
los parámetros estimados va a ser mayor
que si estuviera bien medido Y.
 Esto implica que en este escenario tenemos
estimaciones ineficientes, pero insesgadas.
Violación de los supuestos del
modelo clásico
 Errores de medición:
 Errores de medición en la variable independiente X.
 En este caso, se tiene el siguiente modelo:
 Yi=α+βX*i+μi
 Donde en vez de X* se observa X:
 Xi=Xi*+wi
 Por lo que se estima:
 Yi=α+β(X*i+wi)+μi= α+βX*i+βwi+μi = Yi=α+βX*i+zi
 Con cov(X,z)≠0
 Por lo tanto, en este caso, estamos en presencia de
sesgo.
Violación de los supuestos del
modelo clásico
 La solución a este tipo de problemas es la
estimación de X, obteniendo E(x) el cual es
bien comportado, a través de variables
instrumentales.
Violación de los supuestos del
modelo clásico
 Multicolinealidad
 Si hay multicolinealidad perfecta, no se
puede estimar los parámetros utilizando
MCO, ya que no se podría invertir (X’X)kxk.
 No obstante ello, lo más probable es que
haya una fuerte colinealidad, lo que se
denomina multicolinealidd.
Violación de los supuestos del
modelo clásico
 Consecuencias de la multicolinealidad:
 No se puede separar el efecto de las distintas
variables, haciendo que aumente el error
estándar de los parámetros.
 Lo anterior puede hacer que se acepte la
hipótesis nula indebidamente. Además se puede
encontrar contradicciones entre los test
individuales (t) y el de los parámetros en general
(F).
 Los coeficientes varían mucho al variar
ligeramente la muestra.
Violación de los supuestos del
modelo clásico
 Detección de multicolinealidad:
 Si se rechaza el test F y se aceptan los test t.
 Si R2y,x1,…xk es menor que R2x1,…xk .
 Si se quiere estimar los parámetros (sin
hacer test) este no es un problema muy
grave.
Violación de los supuestos del
modelo clásico
 Posibles correcciones al problema de
multicolinealidad:
 Eliminar variables.
 Aumentar el tamaño de la muestra.
 Utilizar componentes principales
 Transformación de los datos
Violación de los supuestos del
modelo clásico
 Heterocedasticidad:
 Se produce cuando la varianza de los errores
no es constante en toda la muestra.
 Esto genera que MCO no sea MELI por
cuanto aunque es insesgado, no es eficiente.
Violación de los supuestos del
modelo clásico
 Heterocedasticidad:

 1
2
0 0  0 
 
 0  2
2
0  0 
'    0 0 
2
 0 
 3

  0   0 
 0 0 0 2 
  n 

Violación de los supuestos del
modelo clásico
80000

70000
y = 61.715x - 0.0505
2
60000 R = 0.8411

50000

40000
Y

30000

20000

10000

0
0 200 400 600 800 1000 1200

-10000
X
Violación de los supuestos del
modelo clásico
30000

25000

20000

15000

10000

5000
Error

0
0 200 400 600 800 1000 1200

-5000

-10000

-15000

-20000

-25000
X
Violación de los supuestos del
modelo clásico
 Causas de la heterocedasticidad:
 Debido al propio modelo.
 Transformaciones realizadas a los datos.
 Si se omiten variables relevantes.
 Tipo de datos.
Violación de los supuestos del
modelo clásico
 Detección de la heterocedasticidad:
 Análisis del gráfico de residuos.
 Test de Goldfred y Quandt:
1. Se ordenan los datos de acuerdo a una variable
independiente.
2. Se divide la muestra en tres grupo (1º:40%, 2º:20%, 3º:
40%).
3. Se estima regresiones en los grupos 1º y 3º, obteniendo
SCE en cada una.
4. Se Calcula R=SCE3/SCE1~F((n-c)/2)-k; ((n-c)/2)-k.
5. Donde H0 es que la varianza es constante.
Violación de los supuestos del
modelo clásico
 Ejemplo
ANOVA S1b

Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 2E+009 1 1683523558 161,401 ,000 a
Res idual 4E+008 38 10430717,64
Total 2E+009 39
a. Predictors : (Constant), X
b. Dependent Variable: Y

ANOVA S3b

Sum of
Model Squares df Mean Square F Sig.
1 Regression 3E+009 1 2737627306 29,017 ,000 a
Residual 4E+009 38 94345791,45
Total 6E+009 39
a. Predictors: (Constant), X
b. Dependent Variable: Y
Violación de los supuestos del
modelo clásico
 Ejemplo:
 R=3585140075/396367270.4=9.045
 Los grados de libertad son (100-20)/2-2=38
 Con estos datos se rechaza la hipótesis nula
de homocedasticidad.
Violación de los supuestos del
modelo clásico
 Solución del problema de heterocedasticidad:
 Este problema se soluciona con Mínimos
Cuadrados Generalizados (MCG).
 Este procedimiento altera los errores al
hacerlos robustos sin modificar el valor de los
parámetros estimados.
Violación de los supuestos del
modelo clásico
 La autocorrelación:
 Existe autocorrelación de orden i cuando la
covarianza entre dos términos del error
separados i períodos (i=1,…n) es diferente
de 0.
Violación de los supuestos del
modelo clásico
 Autocorrelación:

 1 1 2   n 1 
 1 0   n2 
 1
 '     2
2
1 1   n 3 
 
      
  n 1  n2  n 3  1 
Violación de los supuestos del
modelo clásico
 Razones para la autocorrelación:
 La autocorrelación se genera principalmente en
series temporales
 Inercia: Esto ocurre en las series temporales.
 Sesgo de especificación: por variable excluida.
 Sesgo de especificación: forma funcional incorrecta.
 Fenómeno de la telaraña.
 Rezagos (autorregresión).
 Manipulación de los datos.
Violación de los supuestos del
modelo clásico
 Consecuencias de la estimación de un
modelo MCO en presencia de
autocorrelación.
 Los estimadores continúan siendo
linealmente insesgados, pero ineficientes.
 Por lo tanto, los test de hipótesis no entregan
resultados válidos.
Violación de los supuestos del
modelo clásico
 Detección de la autocorrelación:
 Método gráfico: Se grafican los errores en
función del tiempo y se aprecia si hay algún
patrón distinguible.
 Si se considera que los errores son de un
orden determinado, se puede graficar μt y μt-i
y ver si se genera algún patrón.
Violación de los supuestos del
modelo clásico
 Detección de la autocorrelación:
 Prueba de las “rachas”: si se ordenan los
errores en función del tiempo y se ve que hay
muchos errores negativos y positivos juntos,
uno podría pensar que siguen algún patrón
determinado.
Violación de los supuestos del
modelo clásico
 Detección de la autocorrelación:
 Prueba d de Durbin-Watson
 El estadígrafo se define como:
t n

 ˆ  ˆ t 1 
2
t
d t 2
t n

 ˆ
2
t
t 2
Violación de los supuestos del
modelo clásico
 Detección de la autocorrelación:
 Prueba d de Durbin-Watson
 Supuestos:
1. La regresión incluye un término de intercepto.
2. Las variables X no son estocásticas
3. Los errores μ se generan a partir de un proceso
autorregresivo de primer orden.
4. El modelo no incluye valores rezagados de la
variable dependiente como variable explicativa.
5. No hay observaciones faltantes en los datos.
Violación de los supuestos del
modelo clásico
 Detección de la autocorrelación:
 Prueba d de Durbin-Watson
 La distribución de esta prueba es difícil de
derivar, por lo que no hay un valor crítico
único para aceptar o rechazar la hipótesis
nula.
 Los límites de d son 0 y 4.
 Con el siguiente gráfico se aprecia cómo se
evalúa su valor:
Violación de los supuestos del
modelo clásico
Rechazo Se acepta la H0 Zona de Rechazo
de H0, Zona de de no indecisi de H0,
autocorrel indecisi autocorrelación ón autocorrel
ación ón ación
positiva negativa

0 dL dU 2 4-dU 4-dL 4

Esto se debe a que:

d  2(1  ~) con   1,1
Violación de los supuestos del
modelo clásico
 Si d=2, entonces ρ=0, por lo que no hay
correlación.
 Si d=0, entonces ρ=1, por lo que hay
correlación positiva.
 Si d=4, entonces ρ=-1, por lo que hay
correlación negativa.
Violación de los supuestos del
modelo clásico
 Procedimiento:
 Estimar el modelo por MCO y obtener los
residuos.
 Obtener el estadígrafo d.
 A partir del número de observaciones y el
número de variables, obtener dL y dU.
 Seguir las reglas del gráfico anterior.
Violación de los supuestos del
modelo clásico
 Ejemplo
Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) -119217 27432,807 -4,346 ,000
dias nocalif 3687,359 340,248 ,053 10,837 ,000
dias calif 41302,634 648,607 ,313 63,679 ,000
K_total ,010 ,001 ,049 12,271 ,000
Mat_tot ,378 ,004 ,424 98,183 ,000
a. Dependent Variable: va

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 a
,659 ,434 ,434 4727212,247 ,739
a. Predictors: (Constant), Mat_tot, K_total, diasnocalif, diascalif
b. Dependent Variable: va
Violación de los supuestos del
modelo clásico
 N=37000
 Variables independientes 4
 dL=1,46 dU=1,63
 4-dL=2,54 4-dU=2,37
 Por lo tanto, se rechaza la hipótesis nula y se
establece que hay correlación positiva.
Violación de los supuestos del
modelo clásico
 Corrección de la autocorrelación:
 Al igual que en el caso anterior, con Mínimos,
Cuadrados Generalizados.