Econometra

Econometra
Quinta sesin - Alex Contreras

Econometra

Problema con los datos

Es prcticamente imposible encontrar dos variables econmicas cuyo coeficiente de correlacin es una determinada muestra sea numricamente cero, dicho coeficiente puede tomar valores pequeos pero nunca llegar a ser cero. Granger y Newbold (1974) entre otros autores han ilustrado como el slo hecho de introducir una tendencia lineal en dos series de tiempo independientes aumenta su correlacin notablemente. La Multicolinealidad aparece cuando las variables explicativas en modelo economtrico estn correlacionadas entre si, esto tiene efectos negativas cuando se quire estimar los parmetros del modelo por MCO.

Econometra
Existen diversas fuentes de la multicolinealidad: El mtodo de recoleccin de informacin empleado, obtencin de muestras en un intervalo limitado de valores de los regresores en la poblacin. Restriccin en el modelo o en la poblacin objeto de muestreo. Especificacin del modelo. Consideremos el siguiente modelo:

Econometra

1. La solucin del sistema de ecuaciones normales est mal definido: mientras la dependencia de Xji sea aleatoria y no exacta, XX no ser exactamente singular y existir un nico estimador MCO, ya que existe una nica solucin al sistema de ecuaciones normales, pero tambin habr un nmero de vectores que al sustituirlos en el sistema de ecuaciones normales, seran aproximadamente una solucin al mismo. 2. Pequeas variaciones muestrales por incorporar o sustraer un nmero reducido de observaciones muestrales, introducir ligeros cambios en (XX) y Xy, pero podran generar importantes cambios en la solucin del sistema de ecuaciones normales. 3. Al ser la matriz XX casi singular, es muy pequea. Como consecuencia la matriz de covarianzas ser muy grande, por lo tanto el estimador MCO es poco preciso en este caso.

Econometra
Multicolinealidad Exacta y Multicolinealidad Aproximada La presencia de multicolinealidad en un modelo de regresin lineal puede ser de dos formas: Multicolinealidad Exacta: una de las variables explicativas es una combinacin lineal determinstica de todas las dems (o algunas de ellas). Multicolinealidad Aproximada: ocurre cuando una de aproximadamente igual a una combinacin lineal de las restantes. las variables es

Deteccin de Multicolinealidad Puesto que la multicolinealidad es un problema de naturaleza muestral, que surge principalmente por el carcter no experimental de la mayora de la informacin recopilada en las Ciencias Sociales, no tiene una manera nica de ser detectada. Lo que se tiene son algunas reglas prcticas detalladas a continuacin:

Econometra
1. El R2 es alto, pero los parmetros no resultan ser individualmente significativos. Por ejemplo: Considere los siguientes datos:

Econometra

2. Pequeos cambios en los datos, produce importantes variaciones en las estimaciones mnimo cuadrticas. 3. Los coeficientes pueden tener signos opuestos a los esperados o una magnitud poco creble.
7

Econometra

Econometra
Otros mtodos de deteccin de multicolinealidad

Econometra

10

Econometra

11

Econometra

De acuerdo con este anlisis, los coeficientes de determinacin obtenidos en las regresiones de cada variable explicativa con el resto son un buen indicador de una posible situacin de multicolinealidad.

12

Econometra

13

Econometra

14

Econometra
Remedios contra la Multicolinealidad Se han propuesto varios mtodos para hacer frente a la multicolinealidad. La solucin ms sencilla es eliminar de la regresin las variables que se sospeche son la causa del problema. Obviamente de este mtodo surgen problemas de especificacin, como la omisin de variables relevantes. Es necesario recordar que el estimador MCO sigue siendo el mejor estimador lineal insesgado de los parmetros. El problema es que, cuando hay multicolinealidad, el mejor no resulta ser muy bueno. Las soluciones propuestas en la literatura (estimador de ridge o estimador cresta y estimador de componentes principales) tienen como caracterstica buscar un estimador ligeramente sesgado pero cuya varianza sea mucho menor, es decir, un estimador con menor error cuadrtico medio. No existe una metodologa que permita eliminar el problema de alta multicolinealidad sin alterar las propiedades y la interpretacin de los parmetros. Estas metodologas tienen poco respaldo intuitivo, por lo tanto la interpretacin de los parmetros es desconocida.

15

Econometra

Error de Medicin
Una dificultad en todo trabajo emprico en Economa es la imposibilidad de disponer de las observaciones muestrales de las variables de inters. Por ejemplo, las variables de contabilidad nacional como el PIB, stock de capital o consumo, son slo estimaciones de conceptos tericos que no se observan en la realidad. En otros casos, como la Renta Permanente, inteligencia o habilidad de un trabajador, no disponemos ni siquiera estimaciones, y debemos utilizar variables Proxies, que aproximan los conceptos que se quieren utilizar. As por ejemplo se utilizan aos de experiencia del trabajador para aproximar su habilidad. Podemos adelantar que el error de medicin o el uso de variables proxies generar sesgos en las estimaciones por MCO, el que ser menor cuanto ms se aproxime la verdadera variable que debera incluirse en el modelo con que incluyo efectivamente. Cuanto ms independiente sea el error de medida de las restantes variables del modelo.

16

Econometra
Consideremos el siguiente modelo lineal simple:

17

Econometra
Ahora supongamos que la variable xi est medida con error, es decir:

contrario a lo que ocurra en anteriormente en este caso tenemos dificultad al estimar por MCO, ya que el trmino de error est correlacionado con el regresor.

18

Econometra
Estimacin por Variables Instrumentales La estimacin consistente de los parmetros en presencia de errores de medida es posible si se disponen de instrumentos. Definicin: Un instrumento es una variable no incluida en el modelo, que cumple con: No estar correlacionada con el trmino de error. Esta correlacionada con la variable explicativa para la cual acta como instrumento (en este caso la variable medida con error).

el sesgo del estimador MCO de surge por la correlacin entre la variable Supongamos ahora que se dispone de la variable zi, tal que:

19

Econometra

20

Econometra

Con matriz de varianzas y covarianzas:

21

Econometra
Test de Hausman
Bajo errores de medida, el estimador MCO es inconsistente, mientras que el estimador de variables instrumentales es consistente. Si en realidad no hubiese errores de medida, ambos estimadores sern consistentes, y MCO es adems eficiente, lo que no ocurre con cualquier estimador de variables instrumentales (es un estimador en dos etapas, lo que hace perder eficiencia).

22

Econometra Seleccin de Modelos

Una pregunta crucial que se enfrenta en econometra aplicada es como escoger entre diversas especificaciones planteadas para responder una misma pregunta. No existe un respuesta nica al problema anterior, sin embargo, algunas recomendaciones son: Elegir el modelo ms parsimonioso (lo ms pequeo posible) Que posea un buen ajuste Que sea consistente con los datos observados Sin embargo, en 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:

23

Econometra

La pregunta relevante es Cul de las tres especificaciones anteriores es mejor?. Los criterios de informacin nos ayudan a responder dicha pregunta. El primer criterio de informacin es el Criterio de Akaike (ACI) y se define como:

mientras que el Criterio de Schwarz (BIC) se define como:

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.
24

Econometra

Estimacin Mximo Verosmil (EMV)

A diferencia de MCO, el EMV descansa en un determinado supuesto respecto de la distribucin del trmino de error, teniendo por objetivo, como veremos ms adelante, determinar los parmetros que maximicen la probabilidad de ocurrencia de la muestra observada. La ventaja de MV es que puede producir estimadores consistentes y asintticamente eficientes cuando MCO falla.

Note que hemos invertido la notacin entre L y la densidad. Ello porque la densidad escribe 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.
25

Econometra

26

Econometra

Propiedades de los estimadores MV Las propiedades de los estimadores ML se derivan en grandes muestras, por lo cual hablaremos de las propiedades asintticas de los mismos. Ellas son: 1. Consistencia:

Es decir, asintticamente, el parmetro estimado corresponde al parmetro poblacional.

2. Eficiencia Asinttica:
La varianza del estimador MV alcanza la llamada Cota Inferior de Cramer Rao, es decir . Esta propiedad asinttica es la principal virtud de los estimadores MV. La cota inferior de Cramer Rao corresponde al inverso de la matriz de informacin, la cual corresponde a la mnima varianza que puede poseer un estimador insesgado.

27

Econometra
3. Normalidad Asinttica:

donde note que la matriz hessiana de segundas derivadas de L es una matriz cuadrada y simtrica de orden kxk.

28

Econometra
Estimacin por MV

Como ya es usual, sea el siguiente modelo poblacional:

29

Econometra
Luego, dado nuestro modelo poblacional, tenemos que:

30

Econometra

31

Econometra
Nos queda entonces derivar la varianza de los estimadores MV. Vimos que la matriz de varianzas corresponda al inverso de la matriz de informacin Por facilidad de clculo, generalmente se utiliza la segunda definicin de es decir, la de las segundas derivadas de la funcin de verosimilitud. Entonces:

32

Econometra

33

Econometra

34

Econometra

35

Econometra

Inferencia en el contexto MV Test de Razn de Verosimilitud (LR)

36

Econometra

El test LR se define entonces como:

Donde q corresponde al nmero de restricciones impuestas

Intuitivamente, el valor del estadgrafo crecer a mayor sea la discrepancia entre los valores de la verosimilitud restringida y la no restringida, lo cual nos aleja de la posibilidad que las restricciones impuestas sea vlidas

37

Econometra

38

Econometra
Test de Wald (W)

39

Econometra
donde q es el nmero de filas de R y por lo tanto, el nmero de restricciones.
Luego, como los estimadores MV distribuyen asintticamente normales, entonces la matriz de informacin expuesta es vlida en muestras grandes, tenemos que el estadstico de Wald se define como:

Una nota: Dijimos que el test era vlido asintticamente, donde hemos utilizado el resultado de normalidad asinttica de MV. En caso de que los errores efectivamente distribuyan normal en muestra finita, el test (lgicamente) mantiene su distribucin.

40

Econometra
Test del Multiplicador de Lagrange (LM) 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 de la funcin de Verosimilitud:

41

Econometra

Note que contraposicin al test de Wald, slo necesitamos calcular el estimador restringido. De hecho, su popularidad reside en que muchas veces es ms fcil calcular el estimador restringido que el irrestricto.

Dada la normalidad asinttica de los estimadores MV, podemos reducir el estadgrafo a una forma mucho ms simple. Para ver lo anterior, considere una notacin matricial del score:

42

Econometra
entonces, para evaluar el score en la estimacin restringida, utilizamos los residuos restringidos, los cuales denotaremos por:

y por lo tanto:

con lo cual: y evalundola en el estimador

Entonces, tomado en cuenta la definicin de restringido, tenemos que nuestro test queda como:

43

Econometra

44

Econometra
Del ejercicio anterior:

45

Econometra

46

Econometra

47

Econometra

48

Econometra

49

Econometra

50

Econometra

51

Econometra
Algunas acotaciones respecto a la estimacin y la inferencia MV 1. Se asumi que la distribucin de los errores sigue una distribucin normal. Sin embargo, suponer errores normales es slo uno de los posibles supuestos respecto a la distribucin de los errores. Existe una gran cantidad de posibilidades al respecto, utilizndose otras como la distribucin logstica y la exponencial, muy regularmente en otros tpicos economtricos. Lo anterior es una ventaja de la estimacin MV, dado que sus propiedades asintticas se mantienen independientemente de la distribucin utilizada. 2. Otra ventaja corresponde a la posibilidad de utilizar modelos no lineales. MCO (tal y como lo hemos estudiado) slo permite estimar modelos lineales en parmetros, mientras que MV permite no linealidades (aunque ello implique la imposibilidad de obtener de obtener formas funcionales cerradas para nuestros estimadores, lo cual implica necesariamente utilizar mtodos numricos para optimizar la funcin objetivo).

52

Econometra

3. Otra ventaja reside en la inferencia. Toda la inferencia vista en MCO posea distribucin exacta bajo el supuesto de normalidad. Los test asintticos visto en la inferencia MV son vlidos bajo cualquier distribucin supuesta (aunque asintticamente). 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 lineales.

5. Es posible demostrar que W >= LR >= LM al ser aplicados a un modelo lineal. Los tres son asintticamente equivalentes, sin embargo, en muestras finitas arrojarn resultados diferentes.
6. Cundo es recomendable utilizar un test t o un test F por sobre un test asinttico? 7. Todos los paquetes estadsticos reportan el valor de la funcin de verosimilitud (es decir, la funcin evaluada en los parmetros estimados). Ello, muchas veces es utilizado como un criterio de seleccin entre modelos (recuerde que nuestro objetivo es maximizar la funcin de verosimilitud).
53