Professional Documents
Culture Documents
TEMA 5
O MODELO DE REGRESIN LINEAL XENERALIZADO
(MRLX)
5.1. Hipteses do modelo.
5.2. Estimacin, inferencia e predicin.
5.3. Heterocedasticidad: estrutura, causas, contrastes,
estimacin e predicin.
5.4. Autocorrelacin: estrutura, causas, contrastes,
estimacin e predicin.
Matilde Arranz
Tema 5 , 1
k 1
, ben especificado.
0
Tema 5 , 2
V ( )
E 2
, sendo
cadrada de orde T.
Neste modelo, os EMCO son lineais, insesgados e consistentes, pero non son
ptimos; ademais, o suposto de V() non escalar ten outras consecuencias
importantes sobre os estatsticos utilizados no MRLC
Matilde Arranz
(X'X) 1 X' y
Tema 5 , 3
2.- b insesgado de :
(XX) 1 X
Eb
(XX) 1 XE
V(b)
(XX) 1 XEX(XX)
Polo tanto,
bi2
2 w ii
2 (XX) 1 X X(XX)
(XX)
se
2 x ii
Matilde Arranz
Tema 5 , 4
S 2.
ESCE
E M
Etr M
trM 2
ES
ESCE
T k 1
2 trM
2 trM
T k 1
O estimador insesgado de
SCE
trM
Matilde Arranz
(T
1)
2
2
sera:
ESCE
trM
2 trM
trM
Tema 5 , 5
X X(XX)
(XX)
(w ii
x ii )
se
5. Sobre a predicin:
y
extramuestral do regresando.
Matilde Arranz
Tema 5 , 6
~
b
(X'V 1 X) 1 X'V 1 y
(X' 1 X) 1 X' 1 y
(X'( 2 ) 1 X) 1 X'( 2 ) 1 y
1 1
1
1
1
( 2 ) (X' X) X' 2 1 y
Matilde Arranz
~
b
(X' 1 X) 1 X' 1 y
Tema 5 , 7
b*
(X*'X*) 1 X*'y *
Tema 5 , 8
bMT
X *
E' 2I
*
V(*) = 2I
~
b* (X*'X*) 1 X*' y* b
V(bMT )
SCE*
S *2
Y*
V(b*)
S *2 (X*'X*)
~
V(b )
~
y *' y * b*'X*' y * SC E
~
SCE *
SC E
~
S2
T k 1
T k 1
H0 : i
'i
ti*
bi* 'i
Sbi*
tT
k 1
Tema 5 , 9
~
R2
R2
do modelo transformado
(R 2 *
SCE *
SCT
~
SC E
1
SCT
Tema 5 , 10
R2*
SCE *
SCT *
(- , 1]
1
~
SC E
SCT
~
R2
SCE
, non
SCT
sempre, como veremos, defnese o valor da SCE da mesma maneira.
No clculo de R2 para o MRLG, a travs da expresin habitual, 1
Anda que no MRLX as perturbacins poden non ter varianza constante para
todo T e non estar incorrelacionadas, no que segue deste tema consideraremos
por separado os dous problemas e, por tanto, analizaremos o caso en que s
existe heterocedasticidad, e o caso en que as perturbacins son
homocedsticas pero autocorrelacionadas.
Matilde Arranz
Tema 5 , 11
e Vy V
E 2t
2t
Tema 5 , 12
E
V
'
2
1
2
2
2 ... E
... E
1 T
2 T
...........
E
2
T
2
1
0 ... 0
2
2
... 0
........
IT
2
T
1 xi
Matilde Arranz
i 1, ... N
Tema 5 , 13
variabilidade para
A heterocedasticidad menos frecuente en
modelos temporais (especialmente se a mostra
pequena) porque as variables econmicas
X
Abonda con que a varianza dunha i sexa diferente das demais para que exista
heterocedasticidad no modelo.
Matilde Arranz
Tema 5 , 14
0 ... 0
22 ... 0
........
2T
12
V
2
1
2
1
2
0 ... 0
2
2
... 0
........
2
T
0 ... 0
2
2
2
... 0
0 ... 0
k 2 ... 0
.....
kT
.....
2
T
2
ki
Matilde Arranz
k1
2
i
2
Tema 5 , 15
'
0
2
2 T2
...
... 0
0: Matrices de ceros
.........
2
p Tp
2
i
Tema 5 , 16
1 xt
Ti
t 1
yt
Ti
xi
t 1
xt
yi
Ti
t 1
yt
Matilde Arranz
Ti
t 1
( 0
1 xt
t )
0Ti
Ti
t 1
xt
Ti
t 1
0Ti
1 xi
wi
Tema 5 , 17
wi
t 1
Ew
2
i
Ewi
t
E
Ti
t 1
Ti
t 1
E( 1
E( 1
... T )
... T )
(E i j
2
1
0
E
2
2
... E
2
Ti
Ti
t 1
Ti 2
0)
yi
t 1
yt
Ti
Ti
1 xi
wi
wi
t 1
Ti
Tema 5 , 18
yt
1 1t
x2t
x2 t
1 x1 t
yt
1 x1 t
2(
1 x1 t
vt )
vt
0*
t
1* x1t
*
0
t*
*
1
x1t
t*
Matilde Arranz
posto que
*
t
2 vt
t
Tema 5 , 19
E t*
*2
E t
E(2 vt
E( 2 vt
t )
2Evt
t )2
Ev t
E t
22Evt2
t
(si Ev t
Et
0)
E 2t
*2
t
Et2
Tema 5 , 20
Tema 5 , 21
10
11
12
13
14
15
60
65
53
51
45
40
48
53
65
120
75
60
140
180
40
200
250
300
400
500
600
750
1000
1200
1600
2000
2500
3000
3200
3300
160
120
200
80
40
0
0
1000
2000
X
3000
4000
Matilde Arranz
Tema 5 , 22
10
11
12
13
14
15
16
17
50
25
120
240
160
25
180
12
110
44
60
48
52
45
60
28
38
200
250
325
400
550
675
750
1200
1300
1600
1850
2500
2850
3600
4200
5600
6400
Y vs. X
300
250
200
150
100
50
0
0
2000
4000
X
Matilde Arranz
6000
8000
10
11
12
13
14
15
16
17
250
25
120
240
160
25
160
120
110
44
60
48
52
45
70
28
20
X1
6400
5600
4200
3600
2850
2500
1850
1600
1300
1200
750
675
550
400
325
250
200
X2
1.50
1.75
1.40
1.50
1.85
2.00
1.65
1.85
1.45
1.65
1.95
1.85
2.05
1.95
2.00
1.85
2.12
Tema 5 , 24
120
100
80
60
40
20
regresor x1.
0
0
2000
4000
6000
8000
X1
1c) frecuente que, a priori, en presenza dun modelo mltiple, non se coeza
unha posible causa da heterocedasticidad. Neste caso, pode arroxar algunha
luz a representacin grfica da serie de erros, ordenndoos segundo a orde
crecente do regresando.
Matilde Arranz
Tema 5 , 25
H0 : Homocedasticidad
2
i
H1 : Heterocedasticidad
Matilde Arranz
Tema 5 , 26
yi
1 x1i
2 x2i
ei2
1 x1i
2 x2i
2
x
3 1i
2
x
4 2i
x1i x2i
vi
1, ..., T
Tema 5 , 27
T R2
as
2
p 1
Matilde Arranz
Tema 5 , 28
Tema 5 , 29
2
i
k i . Nesta expresin:
i2,
2
pode ser xi , xi ,
1
, xi , incluso xi * xj ....
xi
Tema 5 , 30
Neste caso,
E'
0 ...
k1
22 ... 0
.......
2T
0 ... 0
k2 ... 0
....
kT
yi
ki
yi*
1
ki
0 x0*i
x1i
1
ki
1 x1*i
x2i
2
ki
2 x2*i
...
... i
i*
1
ki
y*
X*
E i*
Matilde Arranz
i
ki
Ei
ki
0
Tema 5 , 31
( i* ) 2
i*
y*
*j
X*
i
ki
i
ki
*
E i2
ki
i2
ki
E i j
j
kj
2 ki
ki
k ik j
(0, 2IT )
Matilde Arranz
Tema 5 , 32
2 ki ), que
~
ei
yi
yi
~
x i' b
yi
~
~' e
~ ; unha suma de cadrados de erros ponderada:
pero a S CE non e
~
S CE
~
e'
1~
O erro no MT :
Matilde Arranz
ei*
~
e
i
ki
, e a SCE *
T
i 1
ei*2
~
SC E
Tema 5 , 33
Matilde Arranz
~
Xb
'
Tema 5 , 34
2
1
2
2
2
... E
... E
1
2
.......... .
E
Matilde Arranz
2
T
12
2
...
1T
...
2T
.......
IT
Tema 5 , 35
Matilde Arranz
Tema 5 , 36
Matilde Arranz
Tema 5 , 37
t )
2Evt
Cov(
* *
t s
E( 2 vt
E( 2vt
t*
t )( 2 v s
s)
2 vt
E t
*
t
*
s
t s
1* x1t
t*
0 (se Ev t
E(
0*
*
t
2
2
E t* )(
Et
*
s
E s* )
Evt vs se E t vs
0)
0 Evt s
* tamn o ser
Tema 5 , 38
t 1
ut
(Eut
0, Eut2
Eutus
s)
Matilde Arranz
Tema 5 , 39
t
3
t
E t
ut
t 3
t
E
Matilde Arranz
( t
ut
ut
s 0
sut
ut 1 )
ut
s ut
2 t
ut
ut
ut
...
||
E ut
ut
1
1
2ut
...
sut
s 0
0
Tema 5 , 40
E 2t
ut
s 0
2
s
E ut
ut
ut
...
(Eut us
2u (1 2
2u
...)
Eut2
2Eut2
4Eut2
...
0)
1
1 2
E t t
E 2t
son constantes
E t ( t
2
Matilde Arranz
E(
ut
E ( 2t
1)
sut
2u
kte
2
1
)u t
tut
1)
homocedstica
E 2t
E tut
2
Tema 5 , 41
E t t
E t ( t
E t t
....
E t t
E(
E( t t
0
sut
tut 2 )
s )u t
E t t
( 2 )
E tut
2 2
|s|2
A matriz de V-C
E12
V
ut 2 )
( E2t
2u
1
1 2
E1 2 ... E1 T
E 22 ... E 2 T
.........
E 2T
Matilde Arranz
E t t
|s| 2 )
2 2 ... T 1 2
2 ... T 2 2
.......... ..........
2
Tema 5 , 42
1
2
2 ... T
... T 2
.......... .....
Nos modelos con autocorrelacin de orde unha pdese obter unha estimacin
consistente de utilizando os erros da estimacin MCO do MRLX.
Se no modelo cmprese que Ex it
estocstica, os erros
et
yt
Matilde Arranz
1 t
2 t
3 t
... p t
ut
Tema 5 , 43
4 t
ut
Tema 5 , 44
4
3
2
1
0
-1
-2
-3
1980
1981
1982
1983
1984
1985
1986
1987
Resid u als
10
-10
-20
-30
80
81
82
83
84
85
86
87
88
89
90
Residual
Matilde Arranz
Tema 5 , 45
E(-1)
>0
Tema 5 , 46
12
10
8
6
2
0
-1
1975
-2
84
86
88
90
Residual
92
94
Actual
96
98
1980
1985
Residual
1990
Actual
1995
Fitted
Fitted
4.0
3.5
1
0
3.0
.2
2.5
.1
2.0
.0
1.5
-.1
-1
-2
1.2
-3
0.8
0.4
0.0
-0.4
-0.8
-.2
1965
1970
1975
Residual
Matilde Arranz
1980
Actual
1985
1990
Fitted
Residual
6
Actual
10
Fitted
Tema 5 , 47
160
1.0
140
0.8
120
30
100
20
80
10
60
0.6
.10
0.4
.05
0.2
.00
-.05
-10
-20
1996
1998
Residual
2000
2002
Actual
2004
-.10
2006
25
Fitted
50
Residual
75
100
Actual
125
150
175
Fitted
160,000
120,000
30,000
80,000
20,000
40,000
10,000
-40,000
-10,000
-20,000
72
Matilde Arranz
74
76 78 80 82
Residual
84
86
Actual
88
90
92
Fitted
94 96
Tema 5 , 48
Incorrelacin
H1 :
Estatstico de proba:
dw
t 2
(e t
T
t 1
t 1
ut
AR(1)
et 1 )2
e t2
et
e t
ut
Tema 5 , 49
2
T
t
etet
2
e t2
dw
( et
t 2
T
t 2
T
t 1
et 1 )
T
t 1
e
e
2
t
2
t
1
Matilde Arranz
t 2
et2
t 2
et2 1
et2
T
t 2
T
t 1
2
t 1
2
t
T
t 1
et et
t 2
T
t 1
2
t
t 2
et et
et2
2(1
)
Tema 5 , 50
se p lim
p lim dw
2(1
Se
Se
ut
Tema 5 , 51
dw
*
*
dw
dw
Matilde Arranz
Tema 5 , 52
Matilde Arranz
Tema 5 , 53
dw
dL
2.-
dw
3.-
dU
dw
4.-
dL
dL
dw
dU
4
dU
dw
>0
0
dU
dL
?
dL
dU
<0
?
4-dU
4-dL
Tema 5 , 54
K=2
dL
dU
0.610
1.400
0.700
1.356
K=3
dL
dU
0.467
1.896
dL
dU
10
K=10
dL
dU
0.879
1.320
0.697
1.641
0.525
2.010
1.077
1.361
0.946
1.543
0.814
1.750
0.111
3.438
1.352
1.489
1.284
1.567
1.214
1.650
0.712
2.363
1.654
1.694
1.634
1.715
1.613
1.736
1.462
1.898
15
30
100
>0
0
Matilde Arranz
0.697
=0
?
1.641
2.359
<0
3.303
4
Tema 5 , 55
Matilde Arranz
Tema 5 , 56
Matilde Arranz
Tema 5 , 57
H0 : Incorrelacin (1 = 2 = = p = 0)
H1 : Autocorrelacin de orde p [AR(p)]
t
1t
2t
3t
...
pt
ut ut ruido branco
et
x't 1 et
... p et
vt
Matilde Arranz
Tema 5 , 58
T R2
as
2
p
Matilde Arranz
Tema 5 , 59
AR (1 ) t
2
t
2 2
...
2
V( )
...
u t , ten a forma,
T 1 2
T 2 2
2
.................
...
T 1
... T 2
..................
( X'
X) 1 X'
Tema 5 , 60
yt
1 x1 t
...
k xkt
ut
ut
: rb
y t
yt
1 x1, t
1 x1, t
... k xk, t
... k xk, t
yt
yt
Matilde Arranz
0 (1 ) 1 ( x1t
xk, t 1 )
t*
Tema 5 , 61
y t*
0*
1 x1*t
...
*
k xkt
t*
0*
0 (1 )
*
t
t 1
ut
yt*
yt
yt
xit*
A sa estimacin MCO,
estimados para
Matilde Arranz
xit
t*
y
xit
b0*
b1 x1*t
t*
*
... bk xkt
2,..., T
1,..., k
0* 1 ... k
Tema 5 , 62
0*
S~2
b0
0 (1 )
Sb2
*
o
2
T
t
e t2
S~
*
0
b0
etet
~
b0
Sb
S~
(1
) 2
T
0*
1
b1
b0*
1
~
b1
~
b1 ... bk
Sb ... S~
*
1
bk
bk
Sb
*
k
Matilde Arranz
2
T
t
etet
2
e t2
1
Tema 5 , 63
yt
yt
0 (1 ) 1 ( x1t
xk, t 1 )
(h 1) |
Tema 5 , 64
Considrase
*
y
x ' b *
*
y
Con todo, tamn se pode obter (as das expresins son equivalentes):
~
x ' b
y
Se
T 1
T
y
Se
T
y
Matilde Arranz
e~
x T'
x T'
~
b
1
~
b
s
~
x ' b
~
e
T
x T'
s ( yT
( y
~
b
1
~
x ' 1 b )
( yT
~
x T' b )
~
x T' b )
~
e
T
Tema 5 , 65