Estimacin con EViews

1. Uso de Comandos:
LS LOGM C LOGPBI LOGprecio
Nombre del modelo: MODELO
Equation MODELO.LS Log(M) c Log(PBI) Log(precio)

2. Ventana de Dialogo: Quick/Estimate Equation/
Escribir la ecuacin con el mtodo seleccionar
muestra.

3. Creacin de Ecuacin: Objects/New Object
/Equation.
Se activa una ventana de dialogo igual al caso uno.

Nota: tambin se puede introducir variables directamente
como log(X), D(x,d), X(-n), exp(x), abs(X), etc







Ventanas de Eviews con MCO
Escribir la ecuacin a estimar
Seleccin del mtodo de estimacin . Por
defecto Eviews utiliza mnimos cuadrados
ordinarios, LS-Least Quares .
Seleccin del periodo o muestra.
Estimacin de Parmetros y Prueba estadsticas
Modelo de Demanda de Dinero:
STD.Error: Error estndar de los coeficientes estimar.

t-Statistic: Valor del estadstico t, bajo la hiptesis individual que las
variables (H0: i =0).Con t-k grados de libertad, Indica que la variable
contribuye a explicar la variable endgena.

Prob: Si los Valores son superiores al 5% (=5%) no se rechaza la hiptesis
(significativa la variable) nula y la variable exgena sirve para explicar el
modelo.

R squared: Es el R cuadrado de la ecuacin y representa el porcentaje de
la variabilidad de la variable dependiente explicad por la variable
independiente.

Adjusted R-squared: Permite medir el incremento neto de R cuadrado,
cuando se incluye un nuevo regresor.

SE. Of regression: SCE

Sum squared resid: SCR

Log likelihood: Representa el valor de la funcin de verosimilitud en los
parametros, til para la interpretacin del ratio de verosimilitud.

Durbin-Watson stat: Sirve para contrastar la hiptesis de
incorrelacin entre perturbaciones aleatorias frente a la presencia de
autocorrelacin.

Mean depent var: Representa la media la variable dependiente.

S.D depent var: Representa la cuasidesviacin tpica de la
muestra.

F-statistic: Es el estadstico que esta asociado a la hiptesis
conjunta de que los parmetros asociados son iguales a cero (
excepto el intercepto). H0 : 1 =2 =3 =i

Prob(F-statistic): Mide la probabilidad de cometer el erro tipo I .
Se calcula con la distribucin F de Snedecor Fk-1;T-k.

Criterios de Informacin: Son el Akaike info criterion y
Schwarz criterion, estos criterios nos dan informacin de la
capacidad explicativa del modelo y permite realizar
comparaciones de los modelos analizados.

Test de Normalidad
Uno de los problema ms frecuentes al trabajar con
variables es saber si tiene distribucin Normal. Pues no
se puede aplicar los Test estadsticos si la poblacin no
es normal.
Eviews 7 tiene incorporado variaras pruebas para
analizar la normalidad, las ms utilizadas son:

Test de Jarque Bera
Prueba de Normalidad (Quantile - Quantile)
El Diagrama de caja
Test de Jarque Bera

H0 : t se aproxima a una distribucin Normal.
H1 : t no se aproxima a una distribucin Normal.


Luego de correr la regresin, abrir la variableResid ir a

View/ Descriptive Statistics & Tests / Histogram and Stats
Prueba de Normalidad (Quantile - Quantile)
Para que exista normalidad en los residuos los puntos debr
estar a lo largo de la recta, pero si los puntos estn muy
dispersos y la mayora esta fuera de la recta no existe
normalidad.

* La instruccin en Eviews es doble click en Resid ir a View/
Graph y en sepecificacin seleccionar Quantile - Quantile en
opcnes seleccionar Theoretical
Como se puede apreciar los puntos estn sobre
la recta entonces podemos decir que la variable
Resid (Error) tiene una distribucin normal.
Diagrama de Caja
Si en el grfico la media esta en medio de la caja y los
bigotes de la caja tiene casi la misma distancia a la
caja se acepta la normalidad de la variable.
Este grfico se basa en la media, los cuartiles y valores
extremos. Donde la caja encierra el rango intercuartil que
encierra el 50% de los valores y tiene una media
dibujada dentro, adems el intercuartil tiene como
extremos el percentil 75 y el percentil 25.

Instruccin en Views es abrir Resid con doble click ir a
View/Graph/ Seleccionar la especificacin Boxplot.

Como se observa en el grfico la media esta en la
mitad de la caja y los bigotes tiene igual
distancia a la caja, entonces Resid tiene una
distribucin normal
Test Estadsticos sobre los Coeficientes
Eviews tiene tres pruebas sobre los coeficientes del modelo y estas
son:
Pruebas de Restriccin de Coeficientes: Esta prueba se basa en la
prueba de Wald, que puede ser individual (H0: i = 0) o grupal (H0:
1 = 2 = k =0)

En la ventana de la ecuacin ir a View/Coefficient Diagnostics/Wald
Test-Coefficient Restrictions En la ventana de dialogo se escriben
las restricciones entre comas ejemplo: H0 : C(1)-2*C(2) = 0

F ( q=1;T=70;0.95)
Como se observa en el
rectngulo de color
verde que tiene una
baja probabilidad 0.02%
de no rechazar la
hiptesis nula.

Entonces:
Rechazar la H0
q: Nmero de
restricciones.

| |
2
1
1 2
) ( ) ( ) ( _ ~
' ' '
=

q Rb R X X R S q Rb W
o Pruebas de Variables Omitidas: Nos da una idea si una lista de
variable adicional podra mejorar el modelo.

View/Coefficient Diagnostics /Omitted Variables Test-Likelihood Ratio.
En el cuadro de dialogo se escriben las variables a omitir (caso:
inter)




H0 : La variable inter es no
significativa para el modelo
(C(3)=0)
H1 : inter es una variable
significativa para el modelo
(C(3) 0).

Con una probabilidad
0.07% se rechaza la
hiptesis nula de no
significancia para el
modelo,
o Pruebas de Variables Redundantes: Prueba si la exclusin
de una lista de variable podra mejor el ajuste del modelo.
* Ubicamos en cuadro de la ecuacin nos dirigimos a
View/Coefficient Diagnostics /RedundantVariables Test-
Likelihood Ratio
En el cuadro de dialogo se escriben las variables a omitir
(caso: LOGPBI)






H0 : La variable LogPBI es
redundante para el modelo.
H1 : La variable LogPBI no es
redundante para el modelo .
Con una baja probabilidad de 0 %
(menor =5%) no se acepta la
hiptesis nula.
Por lo que la variable LogPBI no es
redundante para el modelo de
Cagan
Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando las
variables independientes presentan alto nivel de correlacin. Por lo que
en trminos empricos hay que definir los limites de tolerancia de
colinealidad.
Siguiendo a Klein en su versin de correlacin indica un alto grado
cuando:

RY : Es la raz cuadrada del coeficiente de determinacin
Multicolinealidad Perfecta (XX) < k
Multicolinealidad imperfecta (XX) = k / XX / 0

Consecuencias: Es el incremento de los errores estndar de la prueba
t , se mantiene un buen ajuste R cuadrado alto, una prueba F
significativa y t bajo para variables que presentan multicolinealidad.

Deteccin: Anlisis de la matriz de correlaciones. Algunos
autores recomiendan correlaciones mayores 0.8 0.85 indica la
presencia de colinealidad.

Anlisis de la matriz XX (es o no una matriz singular)
Y X X
R r
j i
>
Para ver la matriz de correlaciones en Eviews 7 tenemos que el cuadros
Proc/Make Regressor Group en la nueva ventana ir Group Menbers,
borra la variable LogM hacer click en name y guardalo con el nombre
Matrix.

Abrir el objeto Matrix con doble
click e ir View/Principal
Components Nos da la matrix
de correlaciones
En el cuadro de comandos
Digitar: Sym
mcorrel=@cor(matrix)

En el cuadro de comandos Digitar:

Scalar det_cor=det(mcorrel)

Abrir el objeto det_cor con doble click ver el valor de la
determinante es 0.61>0. No existe correlacin el en modelo

Autocorrelacin
Es un caso particular de MCG que se produce cuando los errores del
modelo presentan correlaciones entre ellas (esto puede deberse a
efectos inerciales del pasado como la inflacin, una crisis mundial,
rezagos de poltica, especulacin, etc). Este problema y la
heteroscedasticidad origina que las perturbaciones no sean esfricas.
Por lo que la matriz de varianzas y covarianzas de las perturbaciones
sean distintas a cero.
Violacin del supuesto: E( t;s)= 0 t s
Sus efectos son: la los estimadores por MCO de son insesgados
por ineficientes (varianza no es la mnima) e inconsistentes
reduciendo la probabilidad de hacer pruebas de hiptesis.
Solucin: Reparametrizar el modelo y determinar el componente
autorregresivo.

Test de Durbin-Watson: Somete a prueba la autocorrelacin de

Primer orden (AR(1)).


Ho : no existe autocorrelacin de primer orden

DW=



El valor del DW se puede apreciar en la ventana de resultados. Si el DW
2 no existe autocorrelacin positiva, DW > 2 existe sospechas de una
autocorrelacin negativa y si DW < 2 existe sospechas de una
autocorrelacin positiva.
Crtica:
* Slo es valido para la autocorrelacin de la perturbacin autorregresiva
de orden 1 (AR(1)).
* Requiere de una muestra mnima de 15, para obtener resultados
fiables.
* Presenta zonas de indeterminacin
t t t
x Y c | +
'
=
t t t
u + =
1
c c
0 =
) 1 ( 2

)

(
1
2
2
2
1

c
c c
=

=
=

T
t
T
t
t t
t
Prueba de Breusch - Godfrey
Es un contraste ms general que el DW al permitir que la hiptesis
alternativa procesos estocsticos ms generales de orden p (AR(p))
o medias mviles de orden q (MA(q)), y se puede utilizar en variables
endgenas retardadas.




(ausencia de Autocorrelacin)

AR (r) o MA (r)


Prueba: En la ventana de resultados View/Residual Diagnostics/
Serial Correlation LM Test teclea 2 rezagos (Lags)
t t t
x Y c | +
'
=
t r t r t t t
u + + + + =

c c c c ...
2 2 1 1
0 ... :
2 1 0
= = = =
r
H
0 ... :
2 1 1
= = = =
r
H
2 2

r
TR LM _ ~ =
Por tener un probabilidad muy baja 0% (menor de 5%)
se rechaza la hiptesis nula de incorrelacin.
Por lo que el modelo presenta autocorrelacin de 2
orden (AR(2))
Test de Ljung Box y Box Pierce
Este test utiliza el coeficiente de correlacin simple y slo puede ser
aplicado cuando el conjunto de variables explicativas son todas exgenas.
Test Box - Pierce:


Ljung presenta un refinamiento a la formula anterior:



Donde : r i : Es el coeficiente de autocorrelacin simple

=
~ =
r
i
r i
r T Q
1
2 2
_

=
~

+ =
r
i
r
i
i T
r
T T Q
1
2
2
) 2 ( _

=
=

=
T
t
t
T
t
t i t
i
r
1
2
1
c
c c
Correlograma: Es otra forma de identificar la autocorrelacin de
orden p.
En la ventana de resultados View/ Residual Diagnostics/
Correlogram- q stadistis.
En el cuadro de dialogo que aparece seleccionamos sin transformar
(Level) y el nmero de rezagos 22 (o el mximo que pueda)
Las banda esta del
correlograma estan
representada por :



= 0.2341los
valores que sean
iguales o mayor a este
valor nos indicara el
orden de AR(r).

Otra gua para
identificar la
autocorrelacin es ver
en el correlograma
cuntas barras salen
de la lnea de puntos
(Partial correlation)


73
2 2
=
T
Correccin de la
Autocorrelacin
Introduciremos el componente
autoregresivo al modelo
estimado.

Comando : equation Cagan.LS
logm logpbi inter AR(1) AR(2)
Heteroscedasticidad
La heteroscedasticidad significa que la varianza de las
perturbaciones no es constante a lo largo de las
observaciones, violando un supuesto bsico del modelo (
)
Consecuencias
Una perdida de eficiencia de los estimadores mnimos
cuadrados.
La varianza del estimador por MCO no es mnima.
Solucin
Reparamtrizar el modelo para encontrar la ley de
formacin de la varianza para cada periodo.
* Como veremos a continuacin Eviews tiene incorporado
varias pruebas para detectar la heteroscedasticidad de
los errores
2 2
) (
i
E o c =
Supuesto Formal
t t t
x Y c | +
'
=
(
(
(
(
(

= =
2
2
2
2
1
/
0 0
0 0
0 0
) , ( ) (
T
t t
t
E Var
o
o
o
c c c

Deteccin de H
Este anlisis se basa en los residuos
i) Representacin grfica de residuos estimados versus la
variable dependiente proyectada o tras variables conocidas,
para explicar el comportamiento de la varianza y poder extraer
su ley.
ii) Prueba general de (Goldfeld y Quant, Breusch y Pagan ,
White)
* Si representamos grficamente los residual elevados al
cuadrado con la variable dependiente pronosticada (o con cada
uno de los regresores ordenados )

* Si en el cuadro de comando digitamos: genr resid_2=resid^2
*del cuadro de resultado activamos Forecast/ok hemos
generados los valores estimados de la variable dependiente
Logmf.
Seleccionando Resid_2 y Logmf y habrimos el cuadro de Ctrl y
doble Click abrimos open Group en
View/Graph/Seleccionamos Scatter/Simple Scatter
* Del grfico se desprende
que la relacin entre las
variables es lineal, lo que
nos lleva a pensar que
errores al cuadrado de las
perturbaciones crece
linealmente elasticidad
demanda de dinero.
Si observamos bien esta
relacin es exponencial por
lo que nos animamos ha dar
el factor de la varianza.

2 2

) (
i i
Y Var o c =
Prueba de Goldfeld - Quant
H0 : No existe Heteroscedasticidad (igualdad de varianzas)
H1 : Existe Heteroscedasticidad donde h(.) es funcin
monotona.
* Omitir r observaciones intermedia (r < T/3)
* Los dos grupos tiene tamao (T-r)/2
En nuestro caso tenemos 73 observaciones, despus de ordenar las
observaciones del modelo (se ordena las observaciones de todas la
variables mediante la ventana de Worfile activamos Procs/Sort Current
Page en el nuevo cuadro de dialogo introducimos la variable Logmf y
ordenamos Ascendentemente), se eliminan las 24 (r < 73/3) centrales
formando dos grupo donde el primer grupo tiene de 1 hasta 24 y el
segundo grupo 49 hasta 73.
) (
2
ij i
x h = o
Generamos el Scalar en el cuadro de comandos: Scalar se1=@se para el
primer grupo y la desviacin del error para el segundo grupo Scalar se2=@se
.
oteamos cual de las dos desviaciones es la mayor por que dividiremos la
mayor desviacin entre la menor en el cuadro de comandos, en nuestro caso
es Se2 (0.152044) es mayor a Se1(0.084002). En el cuadro de comando
generamos el estadstico : Scalar f=(se2/se1)^2 , que si revisamos el valor
del objeto f nos da 3.276

Para rezar o no la hiptesis nula necesitamos del estadstico
F, por lo que crearemos este estadstico en el cuadro de
comandos.



Scalar prob=(1-@cfdist(f, 24, 24))

El resultado nos da una probabilidad muy baja de
0.2562139% (menor del 5%). Por lo que se rechaza la
hipotesis nula de Homocedasticidad de la varianza.
* Una solucin habitual en este tipo de problemas es
considerar el esquema de la varianza como:
o



( ) 2 / ) ( ; 2 / ) ( ; ) / (
2
1 2
r T r T s s
F

) ( ) (
2
ij i
x Var o c =
2 2
) (
ji i
x Var o c =
F,24,24 implica los grados de libertad, que se deben ajustar para cada modelo.
Prueba de White
Este contraste es el ms general por que no especifica
concretamente la heteroscedasticidad.


No existe Heteroscedasticidad


0 1
2 2
0
:
:
H verifica se no H
H
i
o o =
Aplicando la Heteroscedasticidad en Eviews
View que se encuentra en el objeto de ecuacin Cagan(es el
nombre de nuestra ecuacin) pulsamos View/Residual
Test/Specification White (no cross terms)

Formas de Corregir la
Heteroscedasticidad
Un manera es realizar Mnimos Cuadrados
Ponderados , donde la ponderacin se puede
elegir mediante White o el anlisis de residuos.

Correccin
* Correccin White (Heteroskedasticy Consiste
Covariances)
* Correcin de Newey West (HAC Consistent
Covariances)

Correccin de Heteroscedasticidad
Correccin de White: Corrige la matriz de Var Cov por
heteroscedasticidad.


Correccin de Newy West (HAC Consistente
Covariances): Corrige la matriz de Var Cov de los
parmetros estimados por heteroscedasticidad y
autocorrelacin





q: Representa un nmero entero

| |
1
1
2
1
) (

'
(

' '

=

X X X X X X
k T
T
T
t
t W
c
| | | |
1
1
) (

'
O
'

= X X X X
k T
T
NW
| |
)
`

' '
+
' '
|
|
.
|

\
|

+
'

= O

= =

T
t
q
v
t v t v t v t t t t
X X X X
q
v
X X
k T
T
1 1
2
1
1

c c c c c
9 / 2
) 100 / ( 4 T q =
Estimacin en Eviews
En la ventana de resultados hacemos click en estimate y
luego en options

Tambin podemos activar el tipo(type) de ponderacin,
como por ejemplo la varianza y la inversa del logPBI
(ponderacin se obtiene de la prueba de Wheti) como se
muestra en la siguinte hoja
Hay que mencionar que los resultados
que no cambian con cualquiera de las
dos pruebas solo cambia los errores
estndar que se corregirn.
Resultados de Correccin de White
Resultados de Correccin de Newey -
West
SERIES TEMPORALES
Como referencia se usar un modelo cuyas variables sern el tipo de
cambio de 3 economas del mundo. Las monedas a elegir son:

LE: moneda de Inglaterra (libra esterlina)
ES: moneda de El Salvador (dlar)
G: moneda de Guatemala (Quetzal)

Antes de estimar un Vector Autoregresivo, se debe verificar que todas son
variables estacionarias.

Se procede variable por variable segn View/Unit Root Test...
Prueba ADF Raz Unitaria
La hiptesis nula es que LE tiene
Raz Unitaria, por lo que segn los
resultados la variable LE si tiene
Raz Unitaria.
El siguiente paso es aplicar ADF en
primera diferencia, segn se
presenta en la grfica de abajo.
No hay R.U.
La estimacin del VAR, se utilizar 3 variables que son estacionarias.
Seguir la siguiente estructura:

Quick / Estimate VAR
En el cuadro de variables endgenas, incluir las variables en orden de
importancia (por teora o por hiptesis) de izquierda a derecha.
Este es el resultado, pero solo es
preliminar.
El siguiente paso es identificar el nmero de rezagos del VAR. (Akaike,
Schwarz, Hannan)

El comando en Eviews es View/Lag structure/Lag lenght criteria
Se debe seleccionar los valores que tienen asterisco, que indica el nmero de lag.
Si sale el valor 0, entonces es un indicio de que las variables no son endgenas y
quizs se debe buscar otras.
El resultado
es 1 rezago.
Como el resultado anterior es 1 rezago,
entonces se estima el VAR con 1 rezago
El siguiente paso es verificar si los rezagos son significativos. Para esto se
debe dar click en View/Lag structure/lag exclusion test.
Se debe varificar el p-value (parntesis) que debe ser menor a 5% o 10%
segn se haya elegido.
Por el p-value que en
todos los casos es cero,
entonces el rezago UNO
es significativo.
FUNCION IMPLUSO-RESPUESTA
Luego del clculo del VAR se debe seguir View/Impulse response
La primera fila
muestra la respuesta
al impulso de la
moneda LE, luego a
ES y finalmente a G.

El resultado es que
LE si responde a su
pripio shock, pero no
responde a los
cambios en ES y en
G.
CAUSALIDAD DE GRANGER
Luego de estimar el VAR la
causalidad de Granger se obtiene
con View/Lag structure/Granger
causality

Lo que se espera que es cada
variable sea causada por otra
variable o cause a alguna variable.
Si esto no sucede, la variable se
considera como exgena.

En el ejemplo solo LE y G causan a
ES (indicio de endogeneidad), pero
no las otras.
COINTEGRACION
Para verificar cointegracin se usa Johansen.
En Eviews se abre como grupo a todas las variables, y luego se aplica:

View/cointegration test y se utiliza la opcin SUMMARIZE ALL
Por las pruebas TRACE o MAX-
EIG se debe buscar la aparicin
de los vectores de cointegracin
en ambas pruebas.
En el ejemplo no aparece ningn
VEC.
Otro paso es verificar las tablas inferiores de Johansen, para conocer cuntos
rezagos se tiene segn Akaike y Schwarz. En el ejemplo se muestra que para
un modelo sin tendencia y con intercepto el nmero de rezagos segn Akaike
es 1.
Finalmente, con esta eleccin se puede correr el modelo, utilizando 1 lag.
VEC
Cuando las variables cointegran, se
recomienda el VEC.
Al abrir el grupo de variables se
hace click en:
View/Cointegratin Test, y a nivel
general se elige la opcin 6.
Como resultado se obtiene la
prueba de Johansen, que indica el
nmero de rezagos que el VEC
debera tener, segn cada criterio,
para cada tipo de modelo.

En el ejemplo se puede escoger
segn Akaike, un modelo sin
intercepto ni tendencia con un lag.
Finalmente se puede aplicar dos pasos, el
primero es seguir en el grupo y presionar
Proc/make vector autoregression o abrir
Quick/estimate VAR

Se incluye adecuadamente las variables y el
nmero de rezagos y liego se presiona OK.
El modelo final es el VEC para las tres
variables