Tema 1:

Problemas de especificacin en
un modelo economtrico
Prof. Coro Chasco Yrigoyen
Asignatura: Econometra de la Empresa

Tema 1. Problemas de especificacin en un

modelo economtrico: ndice
1.0. Problemas del MBRL y la estimacin MCO
1.1. Definicin e incumplimiento de la hiptesis
de rango pleno
1.2. No multicolinealidad
1.3. Muestra suficientemente grande
1.4. Especificacin correcta de las variables
explicativas
1.5. Forma funcional correcta
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

Tema 1: Problemas de especificacin en un

modelo economtrico: Bibliografa

Pulido, A. y J. Prez (2001), Modelos

economtricos. T.10 (10.1, 10.2a,b,c,d) y T. 11
(11.2 y 11.3.a).

Wooldridge, J. (2006), Introduccin a la

econometra. Un enfoque moderno, T.9 (9.1) y

T.10 (10.2).

Guisn, C. (1997), Econometra, T. 5 (5.1, 5.2, 5.3, 5.4); T.8

(8.2, 8.3)
Trvez, F.J. (2004), Introduccin a la econometra, T. 8 (8.4).
Greene, W.H. (2000), Econometric analysis, Ch. 6 (6.7), Ch. 8
(8.4), Ch. 17 (17.1 y ejemplos del 17.2).
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.0. Problemas del MBRL y la estimacin MCO

Modelo: representacin
simplificada de la realidad

Modelo economtrico
T econmico-social
+
Funcin matemtica

Modelo neoclsico de crecimiento:

Prod = f(Invers., Trabaj.)

product 0 1inverst 2 trabajt ut

+
Variables+datos
socioeconmicos
+
Inferencia
estadstica

[ X X ]1 X produc
1 produc invers ; 2 produc trabaj

invers trabaj
produc
0
1
2
t
t
t

Predecir las ventas/produccin de una empresa/pas

Toma de decisiones sobre inversiones, reparto de beneficios
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.0. Problemas del MBRL y la estimacin MCO

Modelo neoclsico de crecimiento:
Prod = f(Invers., Trabaj.)

Omisin de variables (X) relevantes

Ausencia de teora Inclusin de variables (X) irrelevantes
Forma funcional incorrecta
Malas propiedades en la u

product 0 1inverst 2 trabajt ut

Muestra insuficiente: poca fiabilidad estadstica (t, F, 2,)

[ X X ]1 X produc

Multicolinealidad:

1 produc invers ; 2 produc trabaj Impactos no diferenciados

invers trabaj
produc
0
1
2
t
t
t

Predecir las ventas/produccin de una empresa/pas

Toma de decisiones sobre inversiones, reparto de beneficios

x1

x2

x3

Sesgo, ineficiencia, inconsistencia

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.0. Problemas del MBRL y la estimacin MCO

PROBLEMASDELMBRL
(incumplimientodehiptesisbsicas)
Multicolinealidad
Muestrapequea
Explicativasirrelevantes/redundantes
Omisindevariablesrelevantes
Formafuncionalincorrecta
Cambiodeestructura
Regresoresestocsticos
Medianonulade"u"
NoNormalidadde"u"
Heterocedasticidadde"u"
Autocorrelacinde"u"

EFECTOSSOBRE
Estimadores
Var(b)/testt
R2

Pocoprecisos

Pocoprecisos

Pocoprecisos

Sesgo,ineficiencia,inconsistencia

Sesgo,ineficiencia,inconsistencia
Depende

Sesgo,ineficiencia,inconsistencia

Sesgo,ineficiencia,inconsistencia
Noesvlido

Sesgo,ineficiencia,inconsistencia
Nosonvlidosloscontrastesdehiptesisbasadosenlostestst,F
Ineficiencia
Sesgo
Noesvlido
Ineficiencia
Sesgo
Noesvlido

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.1. Definicin e incumplimiento

de la hiptesis de rango pleno
Definicin de la hiptesis: (X) = k

Rango = el orden del mayor determinante que se puede formar con la matriz
X. Como n > k, el rango pleno ser el n columnas o variables de X (k).

1
1
X=
..

x21 .. xk1
x22 .. xk 2
..... .. .....

x2 n .. xkn

Incumplimiento de la hiptesis: multicolinealidad exacta

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.2. Multicolinealidad: a) exacta

Definicin matemtica de rango pleno de X: (X) < k

Causas: existencia de relacin matemtica entre las variables explicativas

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.2. Multicolinealidad: a) exacta (cont.)

Otro ejemplo vendra dado por la introduccin de relaciones contables
dentro del modelo

C 1 2 nlabor 3 wage 4 inc u

C: consumo hogares, nlabor: rentas no salariales, wage: rentas salariales,
inc: total renta disponible

nlabor wage inc 1 2 nlabor 3 wage 4inc 0

1 consumo cte.
2 3 1
4 1

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

1.2. Multicolinealidad exacta(cont.)

Consecuencias:

Si: (X) < k |XX| = 0 [XX]-1 no se puede calcular

cte nlab wage inc
1
2
8
10
X 1
3
12
15 0
...
1

...
10

...
30

...
40

bj = [XX]-1 Xy

no se puede calcular

Var(bj) = 2 . ajj no se puede calcular

Diag. principal [XX]-1

Vas de solucin:

Eliminacin de una de las variables explicativas del modelo (una de las

ficticias o el propio trmino independiente, en el caso de la trampa de
variables ficticias).
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

10

1.2. Multicolinealidad: b) excesiva

Definicin: Corr (xJ ,xs ) |1|

Causas:

No existe relacin matemtica

perfecta entre variables
explicativas. Pero s una fuerte
correlacin estadstica.

Variables con tendencias

comunes
Variables explicativas
retardadas
Variables explicativas con
relaciones funcionales de tipo
econmico
Variables explicativas muy
parecidas conceptualmente

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

11

1.2. Multicolinealidad: b) excesiva(cont.)

Consecuencias:
Los bmco son ELIO: MCO es el mejor mtodo de estimacin lineal.
Pero los bmco son poco precisos, con signos y valores incorrectos, pues una elevada
multicolinealidad provoca un valor elevado en las varianzas de los estimadores, lo que
a su vez puede ocasionar problemas en los contrastes de significacin individual de b:
^2.a t
k n k ^2 = ee/n-k Var(b) =
= b /S(b )
jj

nk

Rechazo de variables significativas de X.

El test R2 tiende a crecer con la inclusin de variables redundantes. Por eso, suele
ser frecuente que, en presencia de multicolinealidad, se produzcan valores elevados de R2
y contrastes no significativos en los parmetros individuales.
Un modelo con graves problemas de multicolinealidad slo podra utilizarse como
herramienta de prediccin, siempre cuando se admita para el perodo extramuestral
una correlacin entre variables similar a la observada para el perodo muestral.
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

12

1.2. Multicolinealidad: b) excesiva(cont.)

Multicolinealidad y prediccin a futuro:

Un modelo con graves problemas de multicolinealidad slo podra utilizarse como
herramienta de prediccin, siempre cuando se admita para el perodo extramuestral
una correlacin entre variables similar a la observada para el perodo muestral.

Perodo futuro

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

13

1.2. Multicolinealidad excesiva(cont.)

Contrastes:

1. Contraste de Klein: Es un contraste no paramtrico que considera que existe

multicolinealidad excesiva cuando:
2
j
s

Corr x , x R

2. Comparacin entre el test t y R2: puede sospecharse de multicolinealidad

excesiva cuando el R2 sea elevado, pero todas (o parte) de los test t sean no
significativos.
3. Contraste del nmero condicional de la matriz XX: Existe multicolinealidad
excesiva si este nmero > 30 40.

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

14

1.2. Multicolinealidad: b) excesiva(cont.)

Vas de solucin:

Cambiar de modelo:
1. Transformacin en tasas de variacin
2. Eliminacin de variables redundantes
Bsqueda de informacin adicional (ms variables/datos):
1. Ampliacin del perodo muestral
2. Modelos ms complejos: datos de panel, multiecuacionales
Otros mtodos de estimacin (por ejemplo, componentes
principales).
Aceptacin del problema y convivencia con l.

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

15

1.2. c) Ejemplos: multicolinealidad exacta

cf 95t 1 2 cnf 95t 3cp95t ut
Cf95: consumo privado interior real, total
Cnf95: consumo privado interior real, no alimentacin
Cp95: consumo privado interior real, alimentacin

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

16

1.2 c) Ejemplos: multicolinealidad excesiva

Euprate: tasa de paro
Gdpm95: PIB real
El: poblacin activa
Pcp: IPC
Vatot95: VAB real
Pcpue: ndice de precios UE
Posible multicolinealidad excesiva:
1) Hay variables explicativas posiblemente redundantes, desde el punto de vista
econmico: 2 variables de precios y 2 variables de produccin.
2) Hay coeficientes no significativos y un R2 muy elevado.
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

17

1.2. c) Ejemplos: multicolinealidad excesiva

Test de Klein:

R 2 0,9883

18

1.2. c) Ejemplos: multicolinealidad excesiva

Estrategia: eliminar aquella explicativa con menor valor de t:

1.2.
Ejemplos
capit: capital CCAA
altit: altitud
tmin: temper. mnima
tmax: temper. mxima
tmed: temper. media
tlluv: precipitacin tot.
humm: humedad media
hsol: horas de sol
dtems25: das temp > 25
dtemi0: das temp < 0
dnub0: das nubosos
ddespe: das despejados
dcubi: das cubiertos
costa: existencia de costa
limmar: longitud costa

20

1.3. Muestra suficientemente grande

Uno de los requisitos que deba cumplir la estimacin del MBRL es

la disposicin de una informacin suficientemente amplia sobre
el total de variables observables implicadas en el modelo.
Como requisito matemtico mnimo: n > k
Como requisito estadstico-inferencial, en modelos de series
temporales anuales: n k > 15, mensuales/trimestrales: n k > 60,
regionales: n k > 50 (no hay regla fija).
Muestra pequea: constituye un problema porque, aunque los
estimadores MCO son ELIO, presentan varianzas ms elevadas
respecto de las que se obtendran con tamaos muestrales
superiores (igual que multicolinealidad excesiva):

nnk^
2 = ee/n-k Var(b) = ^2.ajj

Mayor error de prediccin

Menor valor de t(b)

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

21

1.3. Muestra suficientemente grande (cont)

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

22

1.4. Especificacin correcta de las

variables explicativas

En la prctica economtrica difcilmente puede tenerse la

seguridad de haber conseguido una especificacin correcta.
Incluso cuando se cumplen los requisitos previos necesarios:
1) formacin terica
2) conocimiento de la realidad
3) anlisis de modelos similares
4) valoracin de la informacin estadstica disponible.
La especificacin de un modelo exige todo un proceso iterativo
de perfeccionamiento.
Una mala especificacin en la matriz X puede producirse por:
1) Inclusin de variables explicativas irrelevantes
2) Omisin de variables explicativas relevantes
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

23

1.4. Especificacin correcta de las

variables explicativas(cont)
8.2.A. Inclusin de variables explicativas irrelevantes (o
redundantes)

Caso similar a la multicolinealidad excesiva: k

Consecuencias:^
^
2
k n k = ee/(n- k) Var(b) = 2.ajj tn k = bj/S(bj)
Rechazo de variables significativas de X.
Contraste t: otorga valores no significativos a los coeficientes de variables
explicativas no relevantes.
Vas de solucin: exclusin de las explicativas no relevantes; cuando
hubiera varias, se comienza por aqulla con menor valor del test t y se reestima el modelo (proceso backward).
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

24

1.4. Especificacin correcta (cont)

8.2.A. Inclusin de variables explicativas irrelevantes.
Proceso backward o de lo general a lo particular:

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

25

1.4. Especificacin correcta (cont)

8.2.A. Inclusin de variables explicativas irrelevantes.
Proceso backward o de lo general a lo particular:
3

Modelo final

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

26

1.4. Especificacin correcta de las

variables explicativas(cont)
8.2.B. Omisin de variables explicativas relevantes

En estos casos, se produce un desdoblamiento de la matriz X de

variables explicativas:

X X 1

X1:
X2:

X2

variables explicativas incluidas en el modelo

variables explicativas relevantes excluidas del modelo

Es decir, existen 2 modelos a comparar:

(1) Modelo realmente especificado: y = X1 1 + v

(2) Modelo correcto: y X u X 1

X2

1
u X 11 X 2 2 u
2

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

27

1.4. Especificacin correcta (cont)

8.2.B. Omisin de variables explicativas relevantes
Modelo estimado: y = X1 1 + v

Modelo correcto: y X u X 1

X2

1
u X 11 X 2 2 u
2

La omisin de variables relevantes en un modelo produce

(normalmente) estimadores sesgados.
Como v = X22 + u Var(v) > Var(u) Ineficiencia
Adems, este sesgo no desaparece segn aumenta el tamao
muestral (n ) y, por tanto, los estimadores resultan tambin
inconsistentes.

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

28

1.4. Especificacin correcta (cont)

8.2.B. Test F de omisin de variables explicativas relevantes

1.

2.

Modelo original = restringido (r): y = X1 1 + v

Modelo correcto = sin restricciones (s): y = X1 1 + X2 2 + u
H0(2 = 0): las variables explicativas adicionales (X2) no son
conjuntamente significativas; es decir, el modelo restringido (r)
es el correcto (sin errores de especificacin).
Proceso:
Estimacin de ambos
X1 (n, k m) ; X2 (n, m) ; X (n, k)
modelos (r, s) por
MCO.
erer eses m

Clculo del test F:

Fm
F

Grados de libertad modelo (r): n (k m)

Grados de libertad modelo (s): n k

eses n k

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

nk

29

1.4. Especificacin correcta (cont)

8.2.B. Test F de omisin de variables explicativas relevantes

erer eses

eses n k

H0(2 = 0)

Fnm k

er y y r y X 11

es y y s y X 11 X 2 2

Si

H1(2 0)

Si

erer eses F
erer eses F 0

Fnm k
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

30

1.4. Especificacin correcta (cont)

8.2.B. Test F de omisin de variables explicativas relevantes

erer eses

eses n k

Fnm k

Test F(1,24-4)
Rechaza H0 ( = 0) con
3% confianza
Aceptamos H0: la
variable aadida
(FCEE) no es
relevante

Modelo expandido:
log vatot 95 1 2 log ivfh95 3 log el 1 fcee u

31

1.4. Especificacin correcta (cont)

6.2.B. Solucin a la omisin de variables explicativas relevantes

Estudio de la teora econmica subyacente

Conocimiento de los modelos
economtricos anteriormente propuestos.
Conocimiento de la realidad econmicosocial acontecida en el perodo temporal y
el espacio geogrfico analizado.

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

32

1.5. Forma funcional correcta

Un modelo economtrico adolece de mala especificacin

funcional cuando proponemos una relacin entre la variable
dependiente y las variables explicativas que es inadecuada.
La obtencin de estimadores MCO con buenas propiedades
(ELIO) supone la existencia de una relacin funcional lineal
entre la variable y y el conjunto de regresores X.
La relacin lineal es la predominante en modelos macro, a
excepcin de los modelos de produccin donde suele
proponerse una relacin exponencial (linealizable).
Sin embargo, en aplicaciones microeconmicas, es preferible
utilizar otras formas funcionales (a veces no linealizables);
por ejemplo, una relacin potencial o logstica.

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

33

1.5. Forma funcional correcta(cont)

Ej:

CuotaBient

1
1 e

1 2 Precio t 3 t u t

Una mala especificacin por forma funcional incorrecta es, a veces, un caso particular de
omisin de variables relevantes. Por eso, las consecuencias sobre el modelo son:
1. Estimadores MCO sesgados, ineficientes e inconsistentes
2. Distorsin en el funcionamiento de los tests de significacin t y F.
Las vas de solucin son las mismas que en el caso de omisin de variables relevantes.
Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

34

1.5. Forma funcional correcta(cont)

Tema 1: Problemas de especificacin @ Prof. Coro Chasco (UAM)

35