Professional Documents
Culture Documents
Problemas de especificacin en
un modelo economtrico
Prof. Coro Chasco Yrigoyen
Asignatura: Econometra de la Empresa
T.10 (10.2).
Modelo economtrico
T econmico-social
+
Funcin matemtica
+
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
[ X X ]1 X produc
Multicolinealidad:
invers trabaj
produc
0
1
2
t
t
t
x1
x2
x3
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
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
...
10
...
30
...
40
bj = [XX]-1 Xy
no se puede calcular
Vas de solucin:
10
Causas:
11
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
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
Perodo futuro
13
Contrastes:
Corr x , x R
14
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.
15
16
17
Test de Klein:
R 2 0,9883
18
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
nnk^
2 = ee/n-k Var(b) = ^2.ajj
21
22
23
24
25
Modelo final
26
X X 1
X1:
X2:
X2
X2
1
u X 11 X 2 2 u
2
27
Modelo correcto: y X u X 1
X2
1
u X 11 X 2 2 u
2
28
1.
2.
eses n k
nk
29
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
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
32
33
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
35