Professional Documents
Culture Documents
Autores:1
Jose Miguel Benavente
Andrs Otero
Javiera Vsquez
Agosto 2007
1. Introduccin 5
1
2.3.4. Estimador Mnimo Cuadrado Ordinario de 2 . . . . . . . 36
2.8. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.9. Prediccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.10.2. Estimacin MV . . . . . . . . . . . . . . . . . . . . . . . . 76
2
2.11.2. Test de Wald (W) . . . . . . . . . . . . . . . . . . . . . . . 81
3
3.9. Perturbaciones no Esfricas . . . . . . . . . . . . . . . . . . . . . 117
4
Captulo 1
Introduccin
^ (1.1)
Aunque la econometra parece ser tan antigua como la misma ciencia econmica,
slo en 1930 se crea la Sociedad Economtrica, la cual sistematiz su estudio y
prctica. En 1933 se lanza el primer nmero de Econometrica en el que Ragnan
Frish (uno de los fundadores de la Sociedad Economtrica, a quin de hecho, se
le acredita el haber acuado el trmino "Econometra") destaca: "La experiencia
ha mostrado que cada uno de estos tres puntos de vista, el de la estadstica, la
teora econmica y las matemticas, es necesario, pero por si mismo no suficiente
para una comprensin real de las relaciones cuantitativas de la vida econmica
modera. Es la unin de los tres aspectos lo que constituye una herramienta de
anlisis potente. Es la unin lo que constituye la econometra".
Sin embargo, las metodologas aplicadas en econometra (los tres puntos de vista
de Frish), no han sido utilizados exclusivamente por la ciencia econmica. Otras
ciencias naturales tambin han aprovechado sus ventajas. Sin embargo, en el
campo del comportamiento econmico adquieren especial particularidad y rele-
vancia, en tanto el ambiente y el comportamiento econmicos, son esencialmente
no-experimentales, colocndonos en situaciones donde todas las variables rele-
vantes parecen moverse constantemente y donde existen factores impredecibles
que pueden alterar los resultados. Es por esto que la econometra es esencial-
mente una ciencia no determinstica, donde se reconoce la existencia de factores
5
Econometra I
Capitulo 1: Introduccin FEN, Universidad de Chile
TEORIA ECONOMICA
MODELO ECONOMETRICO
ESTIMACION
SI NO
PREDICCIONES Y
RECOMENDACIONES DE POLITICA
TEORIA VERIFICADA
6
Econometra I
Capitulo 1: Introduccin FEN, Universidad de Chile
Esta breve descripcin no es ms que una somera vista a lo que realmente implica
hacer econometra. El camino no est exento de dificultades (en trminos de la
calidad de los datos, de la dificultad de medir las variables que la teora indica,
de los supuestos que realizamos, etc), sin embargo, esto, ms que una dificultad,
implica un desafo.
7
Captulo 2
8
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Podemos observar dos cosas: primero, para cada nota posible en los controles
(3.0, 4.0,..) tenemos un rango o distribucin de notas en el examen y segundo,
el promedio de notas en el examen es mayor mientras mayores son notas de los
controles. Esto ltimo se puede apreciar al trazar una recta que una los valores
promedios de notas en examen para cada nota en los controles (linea negra del la
Figura 1), la que corresponde a la recta de regresin. Esta nos permite, para
cada nivel de edad, predecir la estatura promedio correspondiente.
9
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
10
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
11
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
12
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
13
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Para esta seccin asumiremos que existe una variable dependiente (Y) que es
explicada por slo una variable (X).
La poblacin tiene 10 niveles distintos de educacin, que van desde 8 a 17. Para
cada uno de estos niveles tenemos 9 individuos con distintos salarios. A pesar de la
variabilidad en los salarios para cada nivel educacional considerado, en promedio
el salario se incrementa a medida que los aos de educacin aumentan. Esto
ltimo se puede verificar al calcular el promedio para cada nivel de educacin, lo
que se presenta en la ltima linea de la Tabla 1, estos corresponden a los valores
esperados condicionales, ya que dependen de los valores dados de la variable X.
En la Figura 2, los valores medios condicionales estn marcados con una cruz. La
unin de estos valores representa la Recta de regresin poblacional, donde
el trmino poblacional se refiere a que estamos trabajando con el total de la
poblacin.
4000000
3000000
2000000
salario
Recta de regesin
poblacional (RRP)
1000000
x
x x
x x
x
x x
x
x
0
8 10 12 14 16 18
Escolaridad
Figura 2: Distribucin de los salarios para distintos niveles de educacin.
2
Una poblacin de 60 individuos puede parecer un poco pequea, pero por el momento
consideremos que estas familias son el total existente
14
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
15
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
donde f() es una funcin cualquiera, en el ejemplo anterior era una funcin lineal.
La ecuacin (2.1) se denomina Regresin Poblacional.
Que forma tiene f() es una pregunta emprica, aunque muchas veces la teora nos
puede ayudar bastante. Supongamos que en nuestro ejemplo anterior el salario
esta relacionado linealmente con la educacin, as podemos suponer que la funcin
de regresin poblacional E(Y|Xi ) es una funcin lineal de Xi , es decir:
En los dos ejemplos anteriores veamos que a medida que se incrementa la vari-
able explicativa (educacin o ingreso), el valor promedio de la variable dependi-
ente (salario o gasto) tambin se incrementaba. Sin embargo, este patrn se da
solo a nivel de promedios. A nivel individual esto no es necesariamente cierto.
En la Tabla 1 podemos ver que el individuo que gana menos ingreso con 9 aos
de educacin, gana menos que el individuo con 8 aos de educacin con mayor
salario.
ui = Yi E(Y |Xi )
donde ui es una variable aleatoria no observable que toma valores positivos o neg-
ativos. Este trmino surge pues no se puede esperar que todas las observaciones
16
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
ui Componente Aleatorio
Yi = E(Y |Xi ) + ui
= 1 + 2 Xi + ui (2.4)
As, el supuesto de que la recta de regresin pasa a travs de las medias condi-
cionales de Y, implica que la media condicional de ui es cero.
17
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
18
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Entonces es importante tener en mente que las rectas de regresin muestral rep-
resentan la recta de regresin poblacional, pero debido a fluctuaciones muestrales
pueden ser consideradas slo como una aproximacin.
Yi = 1 + 2 Xi (2.7)
Definicin: Un estimador es una regla, frmula o mtodo que dice cmo deter-
minar el parmetro poblacional a partir de la informacin suministrada por la
muestra disponible.
19
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Yi = 1 + 2 Xi + ui (2.8)
Yi = 1 + 2 Xi + ui (2.9)
Yi = 1 + 2 Xi + ui (2.10)
Yi = Yi + ui (2.11)
20
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
21
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
X plimX
plim Y
= plimY
plim (X Y )=plimX plimY
Ejemplo: Tenemos una variable yi que esta compuesta por la suma de un com-
ponente fijo o determinstico (c) y un componente aleatorio(ui ):
yi = c
|{z} + ui
|{z}
componente f ijo componente aleatorio
Si ui N (0, u2 ), entonces:
= E(yi ) = c
V (yi ) = E[(yi E(yi ))2 ] = E[u2i ] = u2
22
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Insesgamiento: E(
) =
E(
) = E Y
1
= E (y1 + y2 + ... + yn )
n
1
= (E(y1 ) + E(y2 ) + ... + E(yn ))
n
dado que E(yi ) = E(c) + E(ui ) = c,
| {z }
0
E(
) = c =
Eficiencia: V ar(
)<V ar(1 )
Comparemos el estimador promedio muestral con un estimador que es sim-
plemente cualquier valor de yi:
2
=Y E(Y ) = c V ar(Y )= nu
1 = yi E(yi ) = c V ar(yi ) = u2
Consistencia:
es un estimador consistente dado que:
plim(
) = plim(Y ) = c
23
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
24
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
25
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Los resultados (2.23) y (2.25) podran haber sido obtenidos de igual forma, expre-
sando inicialmente el modelo de regresin en desviaciones con respecto a la media.
Yi = 1 + 2 Xi + ui
Y = 1 + 2 X + ui (2.26)
(Yi Y ) = 2 (Xi X) + ui
yi = 2 xi + ui
1 = Y 2 X
26
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Ejemplo 1: Disponemos datos de una empresa qumica sobre el gasto que el-
la realiza en Investigacin y Desarrollo (I+D) y las ganancias anuales de esta
compaa:
\
La forma muestral de la recta de regresin: E(Y
i |Xi ) = 1 + 2 Xi requiere deter-
minar el valor estimado de estos parmetros, para lo cual utilizaremos el mtodo
27
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
De esta forma,
1000 6 5 30
2 =
200 6 (5)2
1000 900
=
200 150
100
=
50
2 = 2
1 = Y 2 X
= 30 2 5
= 30 10
1 = 20
De esta forma, la recta de regresin muestral estimada es:
Y = 20 + 2 X
28
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Con esta ecuacin en mano, el gerente de I+D de esta compaa puede predecir
el promedio en ganancias futuras anuales a partir de la cantidad presupuestada
de gasto en Investigacin y Desarrollo. Por ejemplo, si la compaa presupuesta
gastar 8 millones de dlares en I+D el prximo ao, entonces debe ganar aprox-
imadamente 36 millones de dlares durante este ao.
Ejemplo 2: Tenemos los siguientes datos de portales de internet, con los cuales
queremos ver el impacto promedio del nmero de visitas en el valor de la empresa:
29
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
30
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Yi = 1 + 2 Xi + ui
E(ui |Xi ) = 0
Lo que nos dice este supuesto es que los factores que no estn considerados
en el modelo y que estn representados a travs de ui , no afectan sistemti-
camente el valor de la media de Y. Es decir, los valores positivos de ui se
cancelan con los valores negativos de ui . De esta forma, el efecto promedio
de ui sobre Y es cero. Ver Figura 7.
31
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Figura 8: Homocedasticidad
32
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Figura 9: Heterocedasticidad
33
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Y1 = 1 + 2 X1 + u1
el estimador MCO de 2 es :
P
xi yi
2 = P 2
xi
34
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
35
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
36
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
hX i hX i
(i) E (ui u)2 = E (u2i 2ui u + u2 )
hX X i
= E u2i 2u ui + nu2
hX nX i
2 2
= E ui 2u ui + nu
hX n i
= E u2i 2nu2 + nu2
hX i
2 2
= E ui nu
" P 2 #
X ui
2
= E ui n
n
n
= n 2 2
n
= (n 1) 2
h X i h X i
(ii) E (2 2 ) xi (ui u) = E (2 2 ) xi (ui u)
P
x i ui X
= E P 2 xi (ui u)
xi
P P P
( xi ui )2 x i ui x i
= E P 2 u P 2
xi xi
2
=
e2 como:
Por lo tanto se define el estimador de la varianza
P 2
2 ui
e = (2.32)
n2
e2 es un estimador insesgado de 2 :
De forma tal que,
1 X
e2 =
E u2i = 2
n2
37
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Donde las variables explicativas se pueden agrupar en una sola matriz de dimen-
sin nk, que denotaremos simplemente como X, de esta manera el modelo se
expresa de la siguiente forma:
y1 1 x21 x31 xk1 1 u1
y2 1 x22 x32 xk2 2 u2
.. = .. .. .. . . .. .. + .. Y = X + u(2.33)
. . . . . . . .
yn 1 x2n x3n xkn k un
38
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
El mtodo de MCO, plantea que los parmetros del modelo pueden ser estimados
la que en trminos
minimizando la suma de los errores al cuadrado (SE ()),
matriciales equivale a:
n
X
=
SE () u2i = u0 u
i=1
SE ()
= 2X 0 Y + 2X 0 X = 0
0
= (X 0 X)1 X 0 Y (2.35)
39
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
De (2.35) tenemos:
= 0 X 0 u = 0
X 0 (Y X ) (2.36)
(2.36) es la condicin de ortogonalidad.
Pn Pn P Pn
n x 2,i Pn i=1 x3,i P ni=1 xk,i 1
Pn i=1 yi
Pn x2,i Pn 2
i=1
Pni=1 x2,i xk,i 2
Pni=1
Pn i=1 x2,i i=1 x2,i x3,i
P n 2 n
Pi=1
n
yi x2,i
i=1 x3,i i=1 x3,i x2,i i=1 x3,i i=1 x3,i xk,i 3 = i=1 yi x3,i
.. .. .. ... .. . ..
..
Pn . Pn . Pn . Pn . 2 Pn .
i=1 xk,i i=1 xk,i x2,i i=1 xk,i x3,i i=1 xk,i k i=1 yi xk,i
Es importante recordar que el estimador MCO esta definido solo cuando la matriz
(XX) es invertible, lo que ocurre siempre y cuando:
40
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
= (X 0 X)1 X 0 u
41
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Ahora calculemos la varianza de :
=
var() E[( E())
( E())
0]
= E[( ) ( )0 ]
= E[(X 0 X)1 X 0 uu0 X(X 0 X)1 ]
= (X 0 X)1 X 0 E(uu0 )X(X 0 X)1
= (X 0 X)1 X 0 ( 2 In )X(X 0 X)1
= 2 (X 0 X)1 (2.40)
u0 u
e2 =
nk
Demostracin: Sea e = Ay
e un estimador lineal de , donde A
e es una matriz
42
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
e = [A + (X 0 X)1 X 0 ]Y
= [A + (X 0 X)1 X 0 ](X + u)
= AX + + [A + (X 0 X)1 X 0 ]u
e = + [A + (X 0 X)1 X 0 ]u
43
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Y = X + u
Y = P Y + MY (2.41)
P = X(X 0 X)1 X 0
MY
x1
PY
x2
0
Col X
44
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Luego, si sumamos para todas las observaciones y dividimos a ambos lados por
el tamao muestral n, tenemos:
Y = 1 + 2 x2 + 3 x3 + + k xk (2.44)
por lo cual:
1 = Y 2 x2 + 3 x3 + + k xk (2.45)
45
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
la cual es una expresin similar a (2.43), excepto por dos importantes diferencias.
Primero, el modelo no posee constante y segundo, las variables se encuentran
expresadas en desvos con respecto a la media. A pesar de ello, note que los coe-
ficientes y los residuos son los mismos en ambos modelos.
Por lo tanto, nuestro modelo expresado en matrices, puede ser expresado en tr-
minos de desvo con respecto a la media como:
M 0 Y = M 0 X + M 0 u (2.47)
46
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Para encontrar entonces una expresin para (2.48), de la ecuacin (2.47) tenemos
que nuestro modelo estimado en desvos con respecto a la media es:
M 0 Y = M 0 X + M 0 u
con lo cual, al particionar nuestra matriz X en X = [i X2 ], nuestro vector de
parmetros en 0 = [1 2 ] y considerando que M 0 i = 0 y que M 0 u = u,
tenemos que:
M 0Y = M 0 i1 + M 0 X2 2 + M 0 u
= M 0 X2 2 + u (2.49)
Luego, para formar la TSS(suma de los cuadrados totales o la suma de los cuadra-
dos de las desviaciones de Y con respecto a su media), de la ecuacin (2.48),
multiplicamos por Y la ecuacin (2.49):
Y 0M 0Y = Y 0 (M 0 X2 2 + u)
= (X + u)0 (M 0 X2 2 + u)
= 0 X 0 M 0 X2 2 + 0 X 0 u + u0 M 0 X2 2 + u0 u
0 0
Y M Y = 2 X20 M 0 X2 2 + u0 u (2.50)
T SS = ESS + RSS (2.51)
donde el segundo y el tercer trmino desaparecen gracias a que los residuos estima-
dos son, por construccin, ortogonales a las variables explicativas 4 . La igualdad
3
Note que para dicha definicin utilizamos los cuadrados de la desviaciones, ya que la suma
de las desviaciones es siempre cero.
4
Ya que X 0 u = X 0 Y X 0 Y = 0.
= X 0 (Y X )
47
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
2.7.3. 2
Bondad de Ajuste: R2 y R
Definimos entonces la bondad de ajuste del modelo a travs del siguiente estad-
grafo llamado tambin coeficiente de determinacin:
ESS
R2 = (2.52)
T SS
es decir, como la proporcin de la varianza de Y que es explicada por la varianza
de la regresin. Alternativamente:
RSS
R2 = 1 (2.53)
T SS
Note que:
Para ver este ltimo punto, suponga que usted posee el siguiente modelo pobla-
cional:
Y = 1 + 2 X + u
48
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Y X = 1 + X + u
o equivalentemente:
2 = 1 (1 R2 ) (n 1)
R (2.55)
(n k)
49
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
2.8. Inferencia
Una vez que hemos estimado nuestra regresin muestral, es necesario preguntarse
cuan buena aproximacin es dicha regresin de la poblacional. Para que la aprox-
imacin sea cercana, es condicin necesaria que los parmetros incluidos en la
regresin muestral sea estadsticamente distintos de cero (en caso contrario, no
pertenecen a la regresin poblacional). As, uno de nuestros objetivos puede ser
el testear la significancia individual de los parmetros.
Pero lo anterior es slo una de las preguntas que como investigadores podemos
estar interesados en responder. Por ejemplo, en la estimacin de la funcin de
produccin de una firma, que asumimos Cobb Douglas (Y = AK L eu o en loga-
ritmo ln Y = ln A + ln K + ln L + u), podemos estar interesados en descubrir si
la firma presenta rendimientos constantes, crecientes o decrecientes a la escala, lo
cual se reflejar en que + > o 1. Por lo tanto, ello podra ser otra hiptesis
interesante de plantearse. Tambin podra ser interesante descubrir si todos los
parmetros a la vez son distintos de cero, o de algn valor determinado.
La gama de preguntas posibles respecto del valor de los parmetros es slo aco-
tada por la pregunta que el investigador desee responder. Nuestro objetivo es,
por lo tanto, desarrollar los mtodos de inferencia y contraste de hiptesis que
nos permitan responder, en el contexto de una regresin muestral particular, las
preguntas anteriores.
Y = X + u
50
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
R = r
51
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
H0 : R = r (2.56)
con lo cual, slo nos resta derivar el test que nos permita rechazar o no rechazar
nuestra nula. La construccin del estadgrafo es como sigue. Dado que MCO
(bajo los supuestos relevantes) es insesgado, tenemos que E() = , por lo tanto,
E(R) = R, mientras que la varianza de R corresponde a
= E[R( )( )0 R0 ]
V [R]
0
= RV ar()R
= 2 R(X 0 X)1 R0
N [, 2 (X 0 X)1 ] (2.57)
y si la nula R = r es cierta:
(R r)
p N [0, 1] (2.60)
2 R(X 0 X)1 R0
52
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
luego, combinando los dos resultados anteriores, se puede demostrar que (hacer-
lo)7 :
( i0 )2
F = F (1, n k) (2.64)
Vd ar(i )
Recordando que t2 es una caso particular de una F con un grado de libertad en
el numerador, tenemos que:
i0
t= q tnk (2.65)
Vdar(i )
i + j 1
t= q tnk (2.66)
ar(i ) + 2Cov(
Vd d i , j ) + Vd
ar(j )
53
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
grandes, sin embargo, la t posee colas ms gruesas que la normal (lo cual es ms
pronunciado en muestras pequeas: n30). La siguiente figura expone la relacin
entre la distribucin t y la normal:
Probabilidad
Distribucin Normal
Distribucin t
Nota precautoria:
Finalmente, nos queda examinar los criterios de rechazo del test y los niveles
de confianza. Como usted recordar de sus clases de estadstica, lo anterior de-
pende de como especifiquemos la hiptesis alternativa. A continuacin, pasamos
a revisar este punto.
54
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Una vez que hemos calculado el valor del test para nuestra nula particular (o
valor calculado), resta calcular el valor crtico o el valor que nos indica la tabla t.
Dicho valor crtico nos dir si nuestra nula es falsa o si no podemos afirmar que lo
es. La eleccin de dicho valor crtico se toma desde la tabla de distribucin t y el
nmero debe ser escogido tomado en cuenta el nivel de significancia escogido
(1 %, 5 % o 10 %), el cual a su vez determina el nivel de confianza del test
(99 %, 95 % o 90 %, respectivamente). El nivel de confianza posee una explicacin
intuitiva: Nuestro estadgrafo es funcin de la muestra con lo que estamos traba-
jando, por lo cual, si contramos con una gran nmero de ellas y con cada una
pudisemos calcular nuestro estadgrafo, el nivel de confianza indica el porcenta-
je de veces que calculamos nuestro estadgrafo en que realmente no rechazamos
lo cierto o rechazamos correctamente lo falso. La forma en que se distribuya la
probabilidad de rechazo, es decir, el nivel de significancia, depende de nuestra
hiptesis alternativa. A continuacin revisamos dicho asunto. Test de una cola
H0 : i = io
H1 : i > io
donde i0 R. En dicho caso, el estadgrafo es calculado segn lo propuesto en la
seccin anterior. El punto est en como acumulamos la probabilidad de rechazo.
En este caso, el total de la probabilidad de rechazo se acumula en la cola derecha
de la distribucin, como lo muestra la siguiente figura8 :
8
Por qu en la cola derecha? Porque la probabilidad de rechazo, es decir, el nivel de sig-
nificancia, nos indica hasta donde puedo tolerar un valor mayor a io , por lo cual, carecera de
sentido que la zona de rechazo se encuentre en la cola izquierda de la distribucin. Por ejemplo,
si io =0, la distribucin de nuestro estadgrafo se centra en cero (vea la frmula), por lo cual la
hiptesis alternativa correspondera a que el parmetro es positivo. el punto es cun positivo
puedo aceptar que sea?.
55
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Probabilidad
Se Rechaza (5%)
No se Rechaza
H0 : i = io
H1 : i 6= io
56
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Probabilidad
Se Rechaza (2,5%))
Se Rechaza (2,5%)
No se Rechaza
57
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
tamao del test y por lo tanto, el ETI, es una variable endgena al investigador,
en tanto que l decide con que nivel de confianza trabajar. Luego, el objetivo se
transforma en, dado un nivel de confianza, minimizar la ocurrencia de ETII.
P-value
Otra forma alternativa al valor crtico de tabla para rechazar o no rechazar nues-
tra nula, corresponde al uso de los llamados p-values, los cuales son reportados
en cualquier paquete estadstico. El p-value (p) se define como:
p = p(tcalculado ) = P (|Z| |tcalculado |) = 2(1 (|tcalculado |)) (2.67)
es decir, el p-value representa la probabilidad de que el valor crtico (t de tabla, en
nuestro caso), sea mayor al valor t calculado, es decir, describe el nivel de signif-
icancia exacto asociado a un resultado economtrico en particular. Por ejemplo,
un p-value de 0.07 indica que un coeficiente es estadisticamente significativo en
un nivel de 0.07 (o con un 93 % de confianza).
Ejemplo:
Y 2 5 6 7
X 0 10 18 20
58
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Como podemos ver, el grado de ajuste del modelo es bastante bueno, como el
modelo incluye constante, el R2 se puede interpretar como la proporcin de la
variabilidad de la variable independiente que es explicada por la variabilidad de
la variable dependiente, la que en este caso alcanza un 97 %.
1. Test de significancia de 1 :
H0 : 1 = 0
H1 : 1 6= 0
1
t= t2
V ar(1 )
De esta forma, el valor calculado para el estadstico t es:
2,193548387
tc = = 5,157850523
0,180866
El valor de tabla del estadstico t a un 95 % de confianza y con dos grados
de libertad es 4,303.
Probabilidad
No se
Rechaza Se
Se Rechaza
Rechaza (2,5%)
(2,5%))
t(2)=4,303 t(2)=4,303
tc=5,158
59
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
2. Test de significancia de 2 :
H0 : 2 = 0
H1 : 2 6= 0
2
t= t2
V ar(2 )
No se
Rechaza Se
Se Rechaza
Rechaza (2,5%)
(2,5%))
t(2)=4,303 t(2)=4,303
tc=7,893
H0 : 1 2 = 2
H1 : 1 2 6= 2
60
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Sin embargo, en ambos casos podemos derivar expresiones alternativas para nue-
stro test.
Todas las pendientes del modelo son cero: En este caso, se puede
demostrar que el test F puede expresarse como:
ESS/(k 1)
F = F(k1,nk) (2.68)
RSS/(n k)
R2 /(k 1)
F = F(k1,nk) (2.69)
(1 R2 )/(n k)
u0 u u0 u)/k2
(
F = F (k2 , n k) (2.70)
u0 u/(n k)
61
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
i0
qi tnk
V ar(i )
Note adems que dicho intervalo est construido slo en base a constantes cono-
cidas. Una vez construido, se puede contrastar la nula (H0 : i = i0 ) al nivel
de significancia sencillamente observando si i0 pertenece al intervalo (en cuyo
caso no rechazamos la nula) o se encuentra fuera de l (en cuyo caso rechazamos
la nula)10 . Nuevamente, la validez de dicho intervalo de confianza depende crti-
camente del supuesto de distribucin de los errores. En el caso que el valor Z
se obtenga de la tabla t, como ya sabemos, estamos suponiendo que los errores
siguen una distribucin normal. Un caso ms general es utilizar los valores crticos
de la distribucin normal estndar.
62
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
u0 u
2
2nk
2
(n k)
2
2nk (2.71)
tenemos
Utilizando la misma lgica que utilizamos para el IC de un parmetro ,
2
que el IC para
corresponde a:
" #
(n k)2 (n k) 2
2 2 = (1 ) (2.72)
2nk, nk,1
Note que los valores crticos utilizados corresponden a 2nk,1 y 2nk, , ya que
la distribucin 2 es una distribucin asimtrica.
E(u4 )
K=
( 2 )2
63
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
ur ]
r = E[
corresponde a:
n
1X r
mr = u
n i=1 i
Note que el estadgrafo est definido en trminos del exceso de kurtosis, por
lo cual, a menor sea el valor, menor es la probabilidad de rechazar la nula de
normalidad. Note adems que el estadstico es esencialmente no constructivo, en
trminos de que no nos indica que camino seguir en caso de rechazar la nula,
adems de que no rechazar normalidad no implica confirmar su existencia. Sin
embargo, en la prctica corresponde al test ms utilizado.
64
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
2.9. Prediccin
e0 ) = 2 + 2 x0 (X 0 X)1 x00
V ar(b
La varianza del error de prediccin depender de la matriz de regresores X de
dimensin n k que se utiliz para obtener las estimaciones de . Sabemos que
a mayor dispersion de las variables explicativas menor varianza tendrn nues-
tras estimaciones MCO11 . Adems depender del vector x0 que hemos asumido
11
Es posible y se recomienda derivar una expresin para la varianza del error de prediccin
utilizando un modelo con 2 regresores. En est expresin se aprecia claramente la dependencia
de la varianza del error de prediccin con la dispersion en torno a la media de las variables
explicativas.
65
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
y 0 yb0 y 0 yb0
q N (0, 1) q tnk
2 (1 + x0 (X 0 X)1 x00 ) b2 (1 + x0 (X 0 X)1 x00 )
Por lo tanto, dada una prediccin puntual yb0 y una estimacin de la desviacin
estndar del error de prediccin podemos construir un intervalo de confianza para
el valor de y 0 :
p p
y 0 t1/2,nk V ar(b
P r[b e0 ) y 0 yb0 + t1/2,T k V ar(b
e0 )] = 1
p p
y 0 t1/2,nk
P r[b e0 ) E[y 0 ] yb0 + t1/2,T k
V ar(e e0 )] = 1
V ar(e
66
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
67
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
P
i | yi ybi |
M AE =
n0
Donde n0 es el nmero de perodos que hay que predecir. Estos mtodos presentan
un problema obvio de escala. Algunas medidas que no presentan este problema
se basan en el estadstico U de Theil.
s P
(1/n0 ) i (yi ybi )2
U= P
(1/n0 ) i yi2
Ejemplo:
x1 x2 x3 x4 y
Datos Superficie m2 Oficinas Entradas Antiguedad aos Valor Edificio US$
2310 2 2 20 142000
2333 2 2 12 144000
2356 3 1,5 33 151000
2379 3 2 43 150000
2402 2 3 53 139000
2425 4 2 23 169000
2448 2 1,5 99 126000
2471 2 2 34 142900
2494 3 3 23 163000
2517 4 4 55 169000
2540 2 3 22 149000
Teniendo los datos podemos entonces utilizar cualquier software estadstico que
nos permita desarrollar la estimacin por mnimos cuadrados ordinarios del mod-
elo de regresin. Supongamos que el modelo que mejor describe el compor-
tamiento de nuestra variable dependiente es un modelo lineal del tipo:
68
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
69
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Podemos ver que la distribucin de los errores no es del todo simtrica (Skewness =
1,2) y que tampoco presenta un comportamiento mesocurtico (Kurtosis = 3).
Ambos elementos se ven reflejados en el estadsitico Jarque - Bera, el cual cae en
la zona de rechazo (Ver adems p -value).
70
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
71
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
72
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Si analizamos los errores de prediccin podemos ver que en promedio son cero,
tal como se demostr en clases.
Podemos ver que la varianza de la prediccin es mayor a medida que las variables
explicativas estn ms lejos de su media.
73
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
L(; y) = f (y; )
Note que hemos invertido la notacin entre L y la densidad. Ello porque la den-
sidad describe los valores probables de Y dado un vector determinado, sin
embargo, en nuestro caso el sentido es inverso: estamos interesados en el vector
dado un vector Y determinado.
o equivalentemente12
M V = max ln(L(; Y )) = max l(; Y ) (2.74)
13
Luego, si asumimos que las observaciones de Y son independientes, entonces :
n
Y n
X
l(; Y ) = ln( Li (; yi )) = li (; yi ) (2.75)
i=1 i=1
12
En general se utiliza el logaritmo de la funcin de verosimilitud, denotado como l = ln(L)
como funcin objetivo. Note que dicha transformacin es inocua, en trminos de que el vector
l
de parmetros que maximize l ser el que a su vez maximize L, ya que: = L1 L
13
Bajo independencia, la funcin de distribucin conjunta de una muestra corresponde a la
multiplicacin de las funciones de densidad individuales.
74
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
1. Consistencia:
plim(M V ) = (2.76)
3. Normalidad Asinttica:
M V a N (, I()1 ) (2.77)
75
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
2.10.2. Estimacin MV
Y = X + u
iid
donde las matrices poseen los tamaos usuales y u N (0, 2 I). Entonces:
n
Y
f (u1 , u2 , . . . , un ; 2 I) = f (u1 ) f (u2 ) f (un ) = f (ui )
i=1
y asumiendo una distribucin normal para los errores, tenemos que la funcin de
verosimilitud corresponde a:
n
Y 1 u2
i
2
f (u1 , u2 , . . . , un ; I) = exp 22 (2.78)
i=1 2 2
1 0
u u2
= n exp 2 (2.79)
(2 2 ) 2
luego, dado nuestro modelo poblacional, tenemos que:
1
(Y X)0 (Y X)
L = f (y1 , y2 , . . . , yn ; X, 2 , ) = n exp 2 2 (2.80)
(2 2 ) 2
= M V = (X 0 X)1 X 0 Y (2.82)
lnL n 1 0 (Y X )
=0
= 2 + 4 (Y X )
2
2
(Y X M V )0 (Y X M V )
= 2 M V = (2.83)
n
76
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Nos queda entonces derivar la varianza de los estimadores MV. Vimos que la
matriz de varianzas corresponda al inverso de la matriz de informacin (I()).
Por facilidad de clculo, generalmente se utiliza la segunda definicin de I(), es
decir, la de las segundas derivadas de la funcin de verosimilitud. Entonces:
2l X 0X
= 2
0
2l X 0X
E = (2.84)
0 2
2l X 0u
= 4
2
2l
E =0 (2.85)
2
2l n u0 u
=
( 2 )2 2 4 6
2l n
E 2 2
= 4 (2.86)
( ) 2
donde esta ltima esperanza se deriva del hecho que E(u0 u) = n 2 . Entonces, la
matriz de informacin corresponde a:
X0X
2 0
I(, ) = n (2.87)
0 2 4
Note que el hecho que la matriz de informacin (y por lo tanto su inversa) sea
una matriz diagonal, refleja que X y u se distribuyen independientemente (de otra
77
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
= 1 + x
y
Ahora suponga que disponemos de los siguientes datos de la variable x e y:
y 2 5 6 7
x 4 10 18 20
78
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
= 1+x
y
1 + 13
= = 2,8
5
79
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
En el caso que los errores distribuyan normal, es posible derivar una versin
alternativa del estadgrafo utilizando los residuos. Reemplazando M V y 2 M V en
l es posible demostrar:
n2
2 ) = (2e) n2 (2 ) n2 = 2e n
L(, u0 u) 2
( (2.90)
n
80
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
Un tercer test corresponde al test LM, el cual tambin es conocido como el test
del Score. recordemos que el Score corresponde a la matriz de primeras derivadas
14
Note que hemos utilizado slo el bloque superior izquierdo de la inversa de la matriz de
informacin. Ello porque el test corresponde a los parmetros asociados a los coeficientes de la
regresin. Adems, ello es posible porque la matriz es diagonal, lo cual implica que no existe
correlacin entre los errores y los regresores.
81
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
de la funcin de Verosimilitud:
ln L
s() =
l
=
Como vimos en la introduccin, s() = 0, por lo cual, al evaluar el score en el
estimador restringido bajo la nula R r = 0 (), generalmente obtendremos
un vector diferente de cero, sin embargo, si la nula no se puede rechazar, esper-
aramos obtener un vector cercano a cero.
Se puede demostrar que el score posee media cero y varianza igual a la matriz de
informacin (I()). Por lo tanto, tenemos que la forma cuadrtica:
a
s0 ()I()1 s() 2
u = Y X
y por lo tanto:
u0 u
2 =
n
con lo cual:
1
= 2
X 0 u
s() (2.97)
0
82
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
(i) Test de Razn de Verosimilitud: recordemos que el estadstico de este test es:
ln L()]
LR = 2[ln L() a 2 (q)
83
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
(ii) Test de Wald: para poder realizar este test primero necesitamos computar la
matriz de varianzas y covarianzas del estimador, el inverso de la matriz de
informacin. Recordemos la forma de esta matriz:
2
l l 0 l
I() = E = E
0
84
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
por 2.8:
Reemplazando
c 0 56
W = (2,8 5) (2,8 5)
(2,8)2
W c = 34,6
Como el valor calculado del estadstico de Wald resulta ser mayor al valor
de tabla de una 2 con un grado de libertad, se rechaza la hiptesis nula de
= 5.
que
(iii) Test de multiplicador de Lagrange: para construir este estadstico necesita-
mos evaluar el score y la matriz de informacin en el estimador restringuido
e que en este caso es igual a 5:
(),
n Pn
e n X 4 52
s() = yi + i=1 = 20 + = 8,8
e
e
5 5
i=1
e = 56
I() = 2,24
(5)2
Reemplazando en el estadstico:
e 0 I()
LM = s() e 1 s()
e
LM = (8,8)(2,24)1 (8,8) = 34,6
= 5.
Con lo cual se rechaza la hiptesis nula de que
85
Econometra I
Capitulo 2: Modelo de Regresin Lineal FACEA, Universidad de Chile
4. Adicionalmente, los tres test vistos son capaces de lidiar con restricciones no
lineales. Por qu? Porque MV es capaz de lidiar con modelos no lineales15
15
Un ejemplo de restriccin no lineal corresponde a H0 : ln(32 ) = 0,1+ln(2 ). Para estimar
el modelo restringido basta con aislar 2 e introducirlo en la funcin de verosimilitud que ser
maximizada por mtodos numricos.
86
Captulo 3
87
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
b = + (X 0 X)1 X 0 u
b
E[|X] = + (X 0 X)1 X 0 E[u|X] =
b = Ex [V [|X]]
V [] b + Vx []
b = Ex [V [|X]]
V [] b = E[ 2 (X 0 X)1 ] = 2 E[(X 0 X)1 ]
Nuestra conclusin inicial se altera un poco, tenemos que sustituir (X 0 X)1 por
su valor esperado para obtener la matriz de covarianzas apropiadas. La varianza
incondicionada de b solo puede ser descrita en trminos del comportamiento
medio de X. Sin embargo, el teorema de Gauss Markov seguir aplicando. Ya que
si para cada X particular el estimador MCO es el mejor estimador lineal insesgado
tambin lo ser para los valores medios de los regresores.
2
Aplicando descomposicin de la varianza(Ver).
88
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Conclusiones:
Bajo normalidad del error los test estadsticos tienen la misma distribucin
que en el caso de las X no estocsticas.
En la seccin 2 asumimos que el modelo de regresin deba ser lineal. Sin embargo,
muchas de las relaciones econmicas no son lineales. Veamos el siguiente ejemplo
de la relacin entre las ventas de los portales de Internet y el nmero de visitas
al portal.
89
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Transformacin Logartmica
90
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Y = X + u
Ramsey propuso estimar el sigu-
luego, denotamos, como ya es usual, Y = X .
iente modelo auxiliar a travs de MCO.
Y = X 1 + Z 2 + u
donde:
Z = Y 2 Y 3 . . . Y m
luego la nula:
H0 : 2 =0
puede ser testeada utilizando un test de Wald sobre 2 . Es posible demostrar que
bajo la nula Wa 2m1 . Por lo tanto, la nula se rechaza al % de significancia si
el estadgrafo es mayor que el valor crtico correspondiente. Para implementar el
test, m (es decir, el nmero de potencias de Y a incluir en la regresin auxiliar)
debe ser seleccionado previamente. Tpicamente, valores pequeos como 2, 3 o 4
parecen funcionar mejor.
que al derivar la funcin objetivo con respecto a los parmetros de inters, podemos no obtener
una forma funcional cerrada para nuestro estimador. Ello nos llevar generalmente a utilizar
mtodos numricos para maximizar o minimizar nuestra funcin objetivo, la cual, incluso puede
dejar de ser estrictamente cncava.
91
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Wi = 0 + 1 d1i + ui (3.2)
0 = E(W/hombre)
0 + 1 = E(W/mujer)
Alternativamente, podramos haber definido la dummy de la siguiente forma:
(
0 mujer
d2i = (3.3)
1 hombre
92
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
y el modelo como
Wi = 0 + 1 d2i + ui
entonces, en esta segunda especificacin escogida para la dummy, tenemos que:
0 + 1 = E(W/hombre)
0 = E(W/mujer)
Una tercera forma de definir el modelo sera incluyendo ambas dummies:
Wi = 1 d1i + 2 d2i + ui
2 = E(W/hombre)
1 = E(W/mujer)
Los tres modelos anteriores son equivalentes. Note que en el tercer modelo
no incluimos trmino constante ya que ello hara que la matriz X fuese singular y
por lo tanto, no invertible. Dicho error de especificacin es llamado en la literatu-
ra Trampa de las Dummies y corresponde a un error netamente del investigador,
no de los datos.
Ejemplo I:
Contamos con datos de ingreso proveniente de la ocupacin principal para el ao
2000, de acuerdo a zona geogrfica de Chile: Norte (de la primera a la cuarta
regin), Centro (quinta regin, sexta regin y regin metropolitana) y Sur (de
la sptima a la duodcima regin). Suponga que deseamos averiguar si el salario
promedio difiere entre las distintas zonas geogrficas, si tomamos el promedio de
los salarios de los individuos en cada una de las zonas obtenemos lo siguiente:
93
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Estos nmeros son claramente diferentes entre s, pero lo que nos interesa saber
es si esta diferencia es estadsticamente significativa, para esto utilizaremos un
modelo ANOVA.
Este modelo es como cualquier otro modelo de regresin lineal, la nica difer-
encia que ahora todo nuestras variables explicativas son binarias. De esta forma,
el salario promedio de los individuos que viven en el norte es:
E(Yi |D1i = 1, D2i = 0) = 0 + 1
de igual forma el salario promedio de los individuos que viven en el sur es:
E(Yi |D1i = 0, D2i = 1) = 0 + 2
y por ltimo, el salario promedio de los individuos que viven en el centro es:
E(Yi |D1i = 0, D2i = 0) = 0
As, el salario promedio de los individuos de la zona centro esta dado por el inter-
cepto de la ecuacin de regresin, adems los coeficientes 1 y 2 ("pendiente"),
indican la cantidad en que los salarios promedios del norte y sur difieren de los del
centro, respectivamente. Ahora necesitamos ver si estas diferencias son estadsti-
camente significativas.
94
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Los modelos ANOVA que acabamos de analizar no son muy frecuentes en economa,
slo se utilizan para testear diferencias de medias.
W Hombres
Mujeres
2
0+ 1 2
E
Salario y Educacin, diferencia de intercepto entre hombres
y mujeres
95
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
En el caso que existan otros regresores continuos (experiencia, por ejemplo), po-
dra ser deseable poseer efectos diferenciados en la pendiente slo para algunos
de ellos.
Hombres
W
2+3
Mujeres
0+ 1 2
E
Salario y Educacin, diferencia de intercepto y pendiente
entre hombres y mujeres
96
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Como hemos mencionado las variable dummies pueden reflejar caractersticas in-
dividuales como gnero, status marital,raza, etc, y de esta forma las habiamos
llamado variable cualitativas. Sin embargo, este no es el nico motivo para
incluir dummies en una regresin. Existen adems aquellas dummies llamadas
dummies estacionales cuyo objetivo es controlar por factores temporales de
los datos. Por ejemplo, estimando la demanda de helados, es posible que ex-
ista un "efecto verano"por lo cual la demanda aumente en algunos trimestres o
bimestres, de esta forma para controlar dicho efecto, se deben incluir 4 dummies
cada una correspondiente a un trimestre del ao (o 6 en el caso del bimestre, o 2
en el caso del semestre, etc.). Recuerde que el caso de incluir una constante debe
retirar discrecionalmente alguna de ellas, la cual servir como trimestre de ref-
erencia. Las dummies tambin pueden ser tiles para captar efectos umbrales.
Siguiendo con nuestro ejemplo de educacin, podramos tener que en la encuesta,
la variable Educacin no fue recogida en forma continua, sino discreta (es decir,
si la persona posee: Educacin Bsica (8 aos), Educacin Media (12 aos), Edu-
cacin Universitaria (17 aos), Educacin universitaria con postgrado (19 aos)).
Definiendo una dummy por cada nivel de educacin, el coeficiente asociado a ca-
da una de ellas nos mostrara el retorno a cada tipo de educacin. Finalmente,
las dummies pueden ser de utilidad para cuantificar efectos condicionales. Ya
habamos enunciado stas cuando vimos E(W/E,gnero), en que permitimos que
la pendiente vare entre gneros. Dichas dummies son de inters cuando queremos
captar algn efecto condicional a alguna caracterstica. Por ejemplo, el retorno a
la educacin dado que se es mujer, o que se es casado, o que se es blanco, etc.
En dicho caso, basta introducir la dummy que identifica el estado condicional
multiplicada por la variable de inters.
Wi = 1 d1i + 2 d2i + ui
Y = X + u
97
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
= (X 0 X)1 X 0 Y
0 1 0
D1 D1 D10 D2 D1 Y
=
D20 D1 D20 D2 D20 Y
Pn 2 Pn 1 Pn
Pn i=1 d1i Pn 2
i=1 d 1i d2i Pn
i=1 d1i yi
=
i=1 d1i d2i i=1 d2i i=1 d2i yi
1 Pn
n1 0 Pni=1 d1i yi
=
0 n2 i=1 d2i yi
y1
=
y2
V () = (X 0 X)1 2
" 2 #
n1
0
= 2
0 n 2
donde: n
2 1X 2
= u
n i=1 i
es el estimador basado en la muestra completa.
98
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Ejemplo II:
A continuacin veremos la aplicacin de la llamada "Ecuacin de Mincer"para
estimar el retorno a la educacin. Los datos corresponden a un grupo de jvenes
chilenos egresados de la educacin media tcnica, los que fueron entrevistados en
1997. La primera figura muestra la estimacin de la ecuacin de Mincer en su
versin original (1974):
ln(Salario)i = + 1 Educacioni + ui
Note que el retorno a la educacin sigue siendo positivo, mientras que la dummy
para mujer es negativa (Qu significa que el parmetro sea negativo?). Veamos a
continuacin, la misma especificacin, slo que esta vez la dummy se define como
1 si el individuo es hombre:
99
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
100
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Cuando trabajamos con series de tiempo, es posible que sea de nuestro inters
incluir rezagos de la variable dependiente como variables explicativas. Ello puede
ocurrir cuando creemos que existe cierta persistencia de nuestra variable depen-
diente. Por ejemplo, para tratar de explicar el comportamiento de la inflacin
(t ), tendra sentido introducir como variables explicativas, junto con la tasa de
crecimiento del dinero (mt ), rezagos de la propia tasa de inflacin:
t = 0 + 1 t1 + 2 mt + ut
101
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
y1 = 1 y0 + u1
y2 = 1 y1 + u2 y2 = 1 (1 y0 + u1 ) + u2 = 12 y0 + (u2 + 1 u1 )
y3 = 1 y2 + u3 y3 = 1 (12 y0 + u2 + 1 u1 ) + u3 = 13 y0 + 12 u1 + 1 u2 + u3
..
.
yt = 1t y0 + (ut + 1 ut1 + 12 ut2 + + 1t1 u1 )
E(yt ut ) = 2
E(yt ut1 ) = 1 2
E(yt ut2 ) = 12 2
102
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
4
Informacin obtenida del Banco Central de Chile: www.bcentral.cl
103
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
t = 0 + 1 t1 + ut
104
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Sin embargo, el caso de tener que elegir entre modelos anidados, es posible utilizar
los llamados Criterios de Informacin. Suponga que usted desea escoger entre
alguno de los siguientes modelos:
Y = 0 + 1 x1 + 2 x2 + 3 x3 + u (1)
Y = 0 + 1 x1 + 3 x3 + v (2)
Y = 0 + (x1 + x2 ) + (3)
donde se dice que el modelo (1) encompasa al (2) y al (3), ya que los dos segundos
son el versiones restringidas del primero. Luego, se dice (2) y (3) son anidados en
(1)
2 ln L k
ACI = +
n n
mientras que el Criterio de Schwarz (BIC) se define como:
2 ln L ln(n)
BIC = +k
n n
Luego, el criterio de seleccin entre modelos anidados corresponde a elegir el
modelo con menor criterio de informacin. Note que para que los criterios sean
comprables, deben poseer el mismo tamao de muestra.
105
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Recordemos lo aprendido en la seccin 3.3 del curso. Veamos que para estimar el
retorno a la educacin, es decir, cuanto ingreso adicional me genera un ao ms
de educacin, podamos considerar al menos tres especificaciones:
donde Wi era el logaritmo natural del salario del individuo i, d2i era una variable
dummy que tomaba el valor 1 si la persona i era hombre y 0 sino, Ei eran los
aos de educacin del individuo i y Ei d2i era una variable interactiva.
Adems tenemos que el Modelo II anida al modelo III, y el modelo I anida a los
modelos II y III. De esta forma, podemos utilizar los criterios de informacin de
Akaike y Schwarz para determinar con que especificacin nos quedamos.
Wi = 0 + 1 d2i + 2 Ei + 3 Ei d2i + ui
106
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Wi = 0 + 1 d2i + 2 Ei + ui
Wi = 0 + 2 Ei + ui
107
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
En resumen:
108
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Y = X + u
Y = X1 1 + X2 2 + u
109
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
1 = (X10 M2 X1 )1 X10 M2 Y
2 = (X20 M1 X2 )1 X20 M1 Y
V (1 ) =
e2 (X10 M2 X1 )1
V (2 ) =
e2 (X20 M1 X2 )1
Y = X1 1 + u
1 = (X10 X1 )1 X10 Y
= 1 + (X10 X1 )1 X10 X2 2 + (X10 X1 )1 X10 u
110
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
por lo cual:
Ello implica que por lo general, la omisin de variables relevantes (que pertenecen
al modelo poblacional), causar que los parmetros estimados sea sesgados. Ello
no suceder, slo en el caso que Z=0 (es decir que X1 y X2 sea ortogonales) o si
2 =0 (aunque dicho caso es contradictorio, dado que implicara que la variable
no pertenece al modelo poblacional).
V (1 /X1 ) = 2 (X10 X1 )1
V (1 /X1 , X2 ) = 2 (X10 M2 X1 )1
Por lo tanto, el omitir variables relevantes implica que los parmetros estimados
sern sesgados y que sus varianzas sern menores. Ms an, tambin es posible
demostrar que el estimador de la varianza de los errores ( 2 ) es sesgado hacia
arriba (la varianza poblacional es menor).
111
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
3.7.3. Ejemplo
Wi = 1 Ei + 2 EXPi + ui (1)
Wi = 1 Ei + ui (1)
6
La cual esta definida como EXPi = Edadi Ei 6.
112
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
113
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Y = X1 1 + u
Y = X1 1 + X2 2 + u
1 = (X10 M2 X1 )1 X10 M2 Y
= 1 + (X10 M2 X1 )1 X10 M2 u
E(1 ) = 1
Recordemos que:
1 = 1 + (X10 M2 X1 )1 X10 M2 u
V (1 /X1 , X2 ) = 2 (X10 M2 X1 )1
114
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
3.8.3. Ejemplo
Wi = 1 + 2 Ei + ui (1)
Wi = 1 + 2 Ei + 3 Di + ui (1)
115
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Podemos ver no existe una variacin importante en los parmetros del modelo
estimado y el modelo verdadero. Sin embargo, tal como habamos demostrado, la
varianza de los parmetros aumenta disminuyendo entonces la eficiencia.
116
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Figura 8: Homocedasticidad
Figura 9: Heterocedasticidad
Cov(ui uj ) = 0 para i 6= j
117
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
= (X 0 X)1 X 0 Y
= + (X 0 X)1 X 0 u
Dado que es una matriz simtrica definida positiva, puede ser descompues-
118
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
ta de la siguiente manera:7
= CC 0
donde las columnas de C son los vectores propios de y los valores propios (j )
de se encuentran en la diagonal
p de . Entonces 1/2sea 1/2 , la matriz diagonal
con el j-simo elemento igual a j y sea T = C . De esta forma, = T T 0 .
Adems sea P 0 = C1/2 y por lo tanto, 1 = P 0 P . 8
P Y = P X + P u o
Y = X + u (3.6)
V ar(u ) = E[u u0 ]
= 2 P P 0
= 2 In (3.7)
Por lo tanto, el modelo transformado cumple con los supuestos del modelo clsico
de regresin, y se puede utilizar MCO para estimar el parmetro :
M CG = (X0 X )1 X0 Y
= (X 0 P 0 P X)1 X 0 P 0 P Y
= (X 0 1 X)1 X 0 1 Y
Nuevamente como el estimador MCG es igual al estimador MCO slo que se aplica
al modelo transformado, todos los procesos para testear hiptesis y construir
intervalos de confianza se mantienen.
Por ejemplo si queremos testear q hiptesis lineales H0 : Q0 = c, se tiene el
7
Esto se conoce como Descomposicin Espectral de una matriz.
8
Esto viene de la ortogonalidad de C, lo que implica que I = C 0 C = CC 0 y entonces
C = C 1 .
0
119
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
siguiente estadstico F:
0
Q0 M CG c [Q0 0
2 0 1 1
eM CG (X X ) Q] Q M CG c
Fq,nk
q
0
Q0 M CG 0
0 1
1 c [Q (X0 X )1 Q] Q M CG c
2
Fq,nk
q
eM CG
2 2
donde eM CG es el estimador insesgado de en presencia de perturbaciones no
esfricas:
0
Y X M CG 1
Y X M CG
2 u0 u
eM CG = =
nk nk
Anteriormente asumimos que era conocida, en este caso una simple transfor-
macin del modelo de regresin lineal lleva a una matriz de covarianza esfrica.
En la prctica, es desconocida y es necesario estimar los parmetros al interior
de esta matriz.
Es-
Entonces lo que debemos hacer es sustituir por un estimador de ella .
to se denomina estimador Mnimos Cuadrados Factibles (MCF), donde el
estimador de se define de la siguiente forma:
1
M CF = X 0 1 X 1 y
X 0
120
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
3.9.5. Heterocedasticidad
La Heterocedasticidad surge cuando a pesar de que Cov(ui uj )=0 para i6= j, las
varianzas de cada observacin son diferentes, es decir, V ar(uj ) = j2 para j=1,...,n.
La matriz de covarianzas en este caso es:
12 0 1 0
E[uu0 ] = 2 = ... . . . ... = 2 ... . . . ...
0 n2 0 n
4000000
3000000
2000000
salario
Recta de regesin
poblacional (RRP)
1000000
x
x x
x x
x
x x
x
x
0
8 10 12 14 16 18
Escolaridad
Figura 2: Distribucin de los salarios para distintos niveles de educacin.
121
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Al omitir variables relevantes, a parte del sesgo que se produce en las estima-
ciones por esto, se produce Heterocedasticidad ya que este variable estar
en el trmino de error y por lo tanto la varianza depender de ella.
122
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
123
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Contrastes de Heterocedasticidad:
124
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
d ) Se calcula es estadstico:
u02 u2 np
Fm,m con m = k
u01 u1 2
H0 : 1 = 2 = ... = p = 0
c) Se estima una regresin de e2i sobre una constante y las variables z1i ,
z2i ,...,zpi y se obtiene la suma explicada (SE) de dicha regresin.9
d ) Bajo la hiptesis nula de Homocedasticidad y dado el supuesto de
normalidad del trmino de error, la razn SE
2
se distribuye 2p .
9
Pn
Recordemos que la suma explicada de una regresin es igual a i=1 (
yi y)2 , cuando yi es
la variable dependiente.
125
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
ui | = 0 + 1 zih + i
|
para distintos valores del exponente h: h = 1, 1, 21 , 21 . Escoger el
valor de h que proporcione una mejor regresin (coeficiente 1 signi-
ficativo y una suma residual pequea).
c) Una vez seleccionado h, se divide el vector de dimensin (k+1) formado
por las observaciones (y h
qi ,xi ) de cada periodo por 0 +1 zi si se estimo la
ui | y por 0 + 1 zih si se estimo u2i , y se estima el modelo
regresin de |
de nuevo por MCO, pero ahora con las variables transformadas.
Como ejemplo, estimemos la relacin que existe entre empleo y Pib en las comu-
nidades autnomas espaolas. Se dispone datos del PIB en miles de millones de
pesetas, y de ocupados, en miles de personas para 1989, los que se muestran en
la siguiente tabla:
126
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Estimador de la
desviacin estandar
del error
~2
u =
SEC/(n-k)
= 4307097.27/16
= 269193.56
~
u = 518.84
127
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
El estimador del parmetro asociado al empleo resulta ser significativo, por cada
1,000 empleador el PIB aumenta en 3,760 millones de pesetas. Sin embargo, la
estimacin de la constante es bastante imprecisa, y por ello resulta ser no sig-
nificativa. Existe la posibilidad de que la varianza del componente del PIB no
explicado por el empleo aumente con este, es decir, tengamos un problema de
heterocedasticidad, donde i depende de empleoi , y de esta forma, i2 depende
de empleo2i . Con esta sospecha, es necesario testear Heterocedasticidad.
SE
128
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
= 93.2
Este estadstico debe ser comparado con el valor de tabla de una distribucin
Fm,m al 95 % de confianza, que es igual a 6.39. De esta forma, nuevamente se
rechaza la hiptesis nula de Homocedasticidad.
129
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
3.9.6. Autocorrelacin
Cov(ui uj ) 6= 0 para i 6= j
Luego, nuestra matriz de varianzas y covarianzas del error ya no ser una matriz
diagonal (como en el caso de varianzas esfricas y no esfrica pero slo con het-
erocedasticidad) ya que el trmino de error se encuentra correlacionado consigo
mismo a travs del tiempo. La forma que toma la matriz cuando slo tenemos
autocorrelacin pero los errores son homocedsticos:
2 1,2 1,3 1,T
2,1 2 2,3 2,T
0 2 3,1 3,2 2 3,T
E[uu ] = =
.. .. .. . . ..
. . . . .
T,1 T,2 T,3 2
yt = Xt + ut t = 1, 2, ..., T. (3.9)
ut = ut1 + t
130
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
ut = ut1 + t
2
1. V (ut ) = V (ut1 + t )=2 V (ut1 ) + 2 , de esta forma V (ut ) = 12
2. Como E(ut ) = 0, Cov(ut ut1 ) = E(ut ut1 ). Calculemos esta ltima esper-
anza:
E(ut ut2 ) = 2 2
E(ut ut(T 1) ) = T 1 2
131
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Entonces:
2 1,2 1,3 1,T
2,1 2 2,3 2,T
3,1 3,2 2 3,T
E[uu0 ] = 2 =
.. .. .. ... ..
. . . .
T,1 T,2 T,3 2
2 2 2 2 T 1 2
2 2 2 T 2 2
2 2 2 2 T 3 2
=
.. .. .. .. ..
. . . . .
T 1 2 T 2 2 T 3 2 2
1 2 T 1
1 T 2
2
T 3
= 2 1
.. .. .. .. ..
. . . . .
T 1 T 2 T 3
1
132
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Por otra parte, tambin es cierto que la mayora de las variables econmicas
(y especialmente las variables medidas en trminos nominales) tienen una
tendencia, generalmente creciente. Si el conjunto de variables explicativas
del modelo no explican adecuadamente dicho comportamiento, entonces el
trmino de error incorporar dicha tendencia, lo que conduce a existencia de
autocorrelacin positiva:una primera racha de residuos negativos seguidos
por otra racha de residuos positivos.
X Modelo
XX verdadero
X X Modelo
XX X estimado
X
XX
X X X
X
X
X X
X X
X X
133
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Todo lo dicho en las secciones 3.8.1 hasta 3.8.4 aplican en este contexto (recuerde
que la matriz se plante en trminos generales). De esta forma, MCO sigue
siendo insesgado, pero pierde eficiencia, por lo cual ya no es MELI. El estimador
de mnima varianza en este contexto es MCG, y en caso de desconocerse la forma
de la autocorrelacin se debe utilizar MCF.
134
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Contrastes de Autocorrelacin
con:
Pn
t=2 u
P
t ut1
= n
t=1 u 2t
ut =
ut1 + ut (3.14)
135
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
El test posee dos grandes omisiones. Primero, slo sirve para detectar au-
tocorrelacin de orden 1 en los errores y segundo, no puede ser aplicado si
se incluyen regresores de la variable dependiente en el modelo (porque se
construye bajo el supuesto de regresores determinsticos). Adems, se debe
tener presente que el test est construido bajo normalidad de los errores y
que existen las zonas grises o indeterminadas de las que hablbamos con
anterioridad.
2. Test de h-Durbin (h) Una variacin del test DW puede ser aplicada
cuando existen variables rezagadas de la variable dependiente en nuestro
136
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
137
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
donde: Pn
t=j+1 u
t utj
rj = P
2t
t=1 u
138
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
y t = x t + ut
ut = ut1 + t
yt = xt + t
11
Esto sucede cuando la diferencia entre el vector de parmetros difiere infinitesimalmente
del obtenido en la vuelta anterior.
139
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
12
Ver Greene, Anlisis Economtrico pgina 69. Si la funcin de densidad conjunta de la
variable t es:
T " P #!
T
1 t=2 2t
f () = exp
2 22
o equivalentemente:
T
1 0
f () = exp
2 22
140
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
Ct = 0 + 1 Yt + ut (3.25)
141
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
20000
16000
12000
8000
4000
0
1955 1960 1965 1970 1975 1980 1985
CONSUMO PIB
142
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
16000
12000
8000
400
4000
200
0
0
-200
-400
1955 1960 1965 1970 1975 1980 1985
Residual Actual Fitted
143
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
144
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
145
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
146
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
147
Econometra I
Capitulo 3: Forma Funcional y Especificacin FACEA, Universidad de Chile
148
Captulo 4
4.1. Multicolinealidad
149
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
Si existe la inversa de XX, el estimador MCO de este modelo, viene dado por
M CO = (X 0 X)1 X 0 y y su matriz de covarianzas es Var()=
2 0 1
u (X X) .
Supongamos que la xji tiene un alto grado de correlacin con las dems vari-
ables explicativas de modelo, es decir que la regresin lineal:
150
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
Tabla 6: Multicolinealidad
Periodo yi x2i x3i x4i
1 20 5 10 10
2 12 2 8 6
3 28 7 12 16
4 26 6 4 12
5 14 4 16 8
6 24 8 14 14
7 16 3 6 4
151
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
R2 = 0,92
u2 = 2,09
R2 = 0,83
u2 = 3,16
152
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
X = [xj ; Xj ]
153
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
P
donde STj es la suma total de la regresin entre xj y Xj (STj = ni=1 (xji
xj )2 ) y R2j es el coeficiente de determinacin de esta misma regresin.
u2
V ar(j0 ) =
STj
V ar(j ) 1
=
V ar(j )
0 1 Rj2
154
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
155
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
estimador MCO sigue siendo el mejor estimador lineal insesgado de los parmet-
ros. El problema es que, cuando hay multicolinealidad, el mejor no resulta ser
muy bueno.
156
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
yi = xi + ui i = 1, ..., n (4.6)
en el que la variable dependiente yi est medida con error, es decir, solo observa-
mos:
yi = yi + i i = 1, ..., n (4.7)
yi = xi + (ui + i ) = xi + i (4.8)
Bajo los supuestos mencionados es fcil darse cuenta que el estimador de ser
el mismo que si observramos el verdadero valor de yi .
En consecuencia, los errores de medida en la variable endgena no producen
ningn problema importante al estimar por MCO.
xi = xi + i i = 1, ..., n (4.9)
157
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
yi = xi + (ui i ) = xi + i (4.10)
contrario a lo que ocurra en (4.8) en este caso tenemos dificultad al estimar por
MCO, ya que el trmino de error i esta relacionado con xi , lo que va en contra
del supuesto 6, veamos:
Cov(i , xi ) = Cov(ui i , xi + i )
= Cov(ui , xi ) Cov(i , xi ) + Cov(ui , i ) Cov(i , i )
= 0 0 + 0 2
2
plim = + 2 2
Sx +
plim = 2
1+ Sx2
Pn
donde Sx2 = plim n1 i=1 x2i , que supondremos existe.
158
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
Lo que implica que un slo error basta para generar inconsistencias en todos
los coeficientes del modelo.
159
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
X = Z +
= (Z 0 Z)1 Z 0 X
= Z(Z 0 Z)1 Z 0 X
X
y = X +
y=X +
V I = (X
0 X
)1 X
0 y
0 0
= [X Z(Z 0 Z)1 Z 0 X ]1 X Z(Z 0 Z)1 Z 0 y (4.12)
Si todas las variables explicativas estn medidas con error cada una de ellas se
necesita un instrumento, entonces Z tiene dimensin nk al igual que X , en este
caso se puede demostrar (Hacerlo) que:
V I = (Z 0 X )1 Z 0 y
160
Econometra I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
H0 : M CO V I = 0 (4.13)
W = (M CO V I )0 (V (V I ) V (M CO ))1 (M CO V I ) 2k
161