Escolar Documentos
Profissional Documentos
Cultura Documentos
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 n2
1
' 2
2
1 1 n 3
n 1 n2 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
Model Summaryb