La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

FACULTAD DE ECONOMÍA UNAM Maestría en Economía Prof. Eduardo Alatorre LABORATORIO DE ECONOMETRÍA 2006 Pruebas de diagnostico en el modelo Econométrico.

Presentaciones similares


Presentación del tema: "FACULTAD DE ECONOMÍA UNAM Maestría en Economía Prof. Eduardo Alatorre LABORATORIO DE ECONOMETRÍA 2006 Pruebas de diagnostico en el modelo Econométrico."— Transcripción de la presentación:

1 FACULTAD DE ECONOMÍA UNAM Maestría en Economía Prof. Eduardo Alatorre LABORATORIO DE ECONOMETRÍA 2006 Pruebas de diagnostico en el modelo Econométrico

2 Normalidad

3 Taller de Econometría Horacio Catalán Alosno f XyXyy n xy ´ 2 1 exp )2( 1 )( 2/2 El modelo se distribuye como una función de densidad de probabilidad normal El condicionamiento de la variable dependiente al conjunto de variables independientes se distribuye como una normas Horacio Catalán Alonso Econometría

4 Taller de Econometría Horacio Catalán Alosno Implicaciones: Los estimadores se distribuyen como una función de distribución normal Las siguientes pruebas de hipótesis son validas t-Student´s F-estadística 2 ji-cuadrada Pruebas de pronóstico Horacio Catalán Alonso Econometría

5 Taller de Econometría Horacio Catalán Alosno Prueba de Normalidad Se pude determinar por medio del tercer y cuarto momento central de la distribución Primer momento. La media de la distribución E(x) = Segundo momento. La varianza de la distribución Var(x) = Horacio Catalán Alonso Econometría

6 Taller de Econometría Horacio Catalán Alosno E(x) Var(x) Distribución normal Tercer momento. Sesgo de la distribución Coeficiente de simetría Horacio Catalán Alonso Econometría

7 Taller de Econometría Horacio Catalán Alosno E(x) Sesgo a la derecha Sesgo a la izquierda Horacio Catalán Alonso Econometría

8 Taller de Econometría Horacio Catalán Alosno E(x) Var(x) Simétrica Horacio Catalán Alonso Econometría

9 Taller de Econometría Horacio Catalán Alosno Cuarto momento. Curtosis E(x) Leptocúrtica Horacio Catalán Alonso Econometría

10 Taller de Econometría Horacio Catalán Alosno E(x) Platicúrtica E(x) Var(x) Mesocúrtica Horacio Catalán Alonso Econometría

11 Taller de Econometría Horacio Catalán Alosno Prueba Jarque-Bera(1987). Utiliza un estadístico en prueba que involucra la curtosis y la asimetría. Hipótesis nula H 0 : 3 =0 y =0 Hipótesis alternativa H 1 : dif y dif 0 Horacio Catalán Alonso Econometría

12 Taller de Econometría Horacio Catalán Alosno Combina las dos distancias: Horacio Catalán Alonso Econometría Combina las dos distancias:

13 Taller de Econometría Horacio Catalán Alosno El estadístico para la prueba se distribuye como una ji-cuadrada con 2 grados de libertad A un nivel de significancia del 5% el estadístico JB tiene como valor crítico el 5.99 Horacio Catalán Alonso Econometría

14 Taller de Econometría Horacio Catalán Alosno Consecuencias por la ausencia de normalidad en los errores Las pruebas de hipótesis consideradas para realizar inferencia estadística no son adecuadas Causas que generan el problema Las series utilizadas en el modelo no se distribuyen como una normal Presencia de valores extremos en la serie Horacio Catalán Alonso Econometría

15 Autocorrelación

16 La autocorrelación se define como la existencia de correlación entre u t con sus valores pasados: Las causas de la autocorrelación: La omisión de variables relevantes en la ecuación estimada (Steward y Wallis, 1981) Transformaciones en las ecuaciones o ajustes estaciónales (Davinson, Hendry, Srba, Yeo, 1978) La presencia de rezagos en el proceso de ajuste que no fueron considerados en la ecuación inicial. Horacio Catalán Alonso Econometría

17 1) Los MCO siguen dando estimadores insesgados y consistentes cuando se utilizan variables exógenas en la ecuación inicial 2) Los MCO proporcionan estimadores sesgados e inconsistentes en el caso en que se utilizan variables endógenas en la ecuación inicial: Problemas de Autocorrelación Horacio Catalán Alonso Econometría

18 2.a) Los estimadores no tienen varianza mínima 2.b) Las estimaciones de los errores estándar tienden por lo general a subestimar al valor real lo que se traduce en la obtención de pruebas t que rechazan excesivamente la hipótesis nula (Steward y Wallis, 1981, Maddala,1988) 2.c) Las predicciones muestran, por lo general, valores más elevados que los normalmente esperados (Steward y Wallis, 1981) Horacio Catalán Alonso Econometría

19 La función de autocorrelación se define como: Donde los intervalos de confianza están dados por: Horacio Catalán Alonso Econometría

20 n representa el número de observaciones Los valores fuera de estas bandas indican la presencia de autocorrelación La estimación y detección apropiada de la autocorrelación requiere que la serie corresponda a un proceso estacionario Horacio Catalán Alonso Econometría

21 Caso simple (Maddala, 1988): (5) e t = e t-1 + v t Cuando es estacionario la media y la covarianza son constantes (Judge et al 1982, p.385): (6)E t (e t e t-k ) = E t (e s e s-k ) (7)E t (e 2 t ) = E t (e 2 t-k ) Horacio Catalán Alonso Econometría

22 Combinando las ecuaciones (6) y (7) se obtiene: En el caso de una serie estacionaria, la autocorrelación se define como: Donde la función de autocorrelación aparece como: Horacio Catalán Alonso Econometría

23 Durbin Watson La prueba Durbin Watson se define como la razón de la suma del cuadrado de la primera diferencia de los residuales con respecto a la suma del cuadrado de los residuales (Greene, 1991 y Steward y Wallis, 1981): La hipótesis nula (H O ) es que no existe autocorrelación. Horacio Catalán Alonso Econometría

24 Una aproximación, para grandes muestras, a esta prueba puede obtenerse utilizando (Maddala, 1988): (12) d = 2(1- ) Donde e t = e t-1 +v t Horacio Catalán Alonso Econometría

25 La ecuación (12) indica que cuando d difiere sustancialmente de dos entonces existe la posibilidad de autocorrelación serial La ecuación (12) indica que si la autocorrelación es cero ( =0) entonces d=2 Por el contrario si existe autocorrelación positiva (0< <1) entonces 0

26 rechazar aceptar Ho rechazar donde dl es el limite inferior y du es el límite superior. El cuadro 1 puede interpretarse de la siguiente forma: d

du implica que Ho no se rechaza d

27 La Durbin Watson es válida solo cuando las variables incluidas en la ecuación son exógenas. Durbin Watson pierde potencia cuando se incluyen los valores rezagados de la variable dependiente en la ecuación de regresión. En este caso el valor del estadístico d esta sesgado hacia 2 y puede por tanto indicar la independencia serial cuando en realidad existe un problema de autocorrelación. Horacio Catalán Alonso Econometría

28 La prueba H de Durbin sigue siendo válida cuando se incluyen valores rezagados de la variable dependiente: H-Durbin La H de Durbin se define como: Horacio Catalán Alonso Econometría

29 donde y V representa la varianza estimada de Horacio Catalán Alonso Econometría

30 La prueba H de Durbin es equivalente a estimar la siguiente regresión: Donde se analiza la significancia estadística de El análisis de es similar a incluir a e t-1 en esta ecuación y analizar su significancia estadística Horacio Catalán Alonso Econometría

31 Asumiendo que los errores son autorregresivos de orden p entonces La prueba del Multiplicador de Lagrange Se estima la siguiente regresión: El estadístico se distribuye como Horacio Catalán Alonso Econometría

32 Opción alternativa: El estadístico se distribuye como De este modo, se rechaza la hipótesis nula de independencia serial si nR 2 es mayor que el valor seleccionado de X 2 ( ). Horacio Catalán Alonso Econometría

33 Opciones: 1. Transformando a la ecuación inicial 2. Problema de especificación Corrección de Autocorrelación Horacio Catalán Alonso Econometría

34 Considerando el caso de dos variables se tiene que: Suponiendo un proceso autorregresivo de primer orden: Transformación de la Ecuación Original Horacio Catalán Alonso Econometría

35 Se desprende que: sin autocorrelación serial Horacio Catalán Alonso Econometría

36 Cochrane Orcutt La prueba de Cochrane Orcutt estima el modelo inicial dado por: (22) y t = 0 + Σ 1 x it + u t Suponiendo un número de rezagos de la autocorrelación: (23)e t = Σ i x it + v t De donde puede obtenerse : (24) = Σ (e t e t-1 ) / Σ e 2 t-1 ) Horacio Catalán Alonso Econometría

37 El segundo paso es re-estimar por MCO la ecuación original modificada utilizando el valor obtenido de para transformar la ecuación: Esta nueva ecuación se utiliza nuevamente para obtener estimaciones de : Este procedimiento se realiza iterativamente hasta que las estimaciones de convergen. Horacio Catalán Alonso Econometría

38 El Método de Durbin Watson en dos etapas Estimar por MCO la siguiente ecuación para obtener. (27) Con esta estimación inicial de se transforma la ecuación original y se estima entonces la ecuación transformada: (28) Horacio Catalán Alonso Econometría

39 El Método de Difrenciación y de Ajuste Dinámico Bajo el supuesto de que =1 entonces la ecuación (28) puede escribirse con las variables en primeras diferencias: Corrige autocorrelación, pierde información Horacio Catalán Alonso Econometría

40 Autocorrelación y los problemas de especificación Suponiendo que la autocorrelación es de orden uno: Solución al problema de la autocorrelación: Este modelo sin embargo es similar a estimar: Horacio Catalán Alonso Econometría

41 Con la restricción de que 1 2 = - 3 Horacio Catalán Alonso Econometría

42 Heteroscedasticidad

43 Taller de Econometría Supuesto: Varianza constante en el modelo La heteroscedasticidad se define como cambios de la varianza del término de error de la ecuación estimada Horacio Catalán Alonso Econometría

44 Taller de Econometría Problema de Heteroscedasticidad La varianza no es constante y es una función de las variables explicativas del modelo Horacio Catalán Alonso Econometría En términos más generales: Donde no se tiene elementos idénticos en la diagonal

45 Taller de Econometría Implicaciones del supuesto Los estimadores son eficientes, es decir presentan la menor varianza Desarrollando Horacio Catalán Alonso Econometría

46 Taller de Econometría La matriz de varianzas y covarianzas puede ser expresada como Se requiere que la varianza sea finita. Lo cual se cumple siempre y cuando los elementos de W sean finitos Horacio Catalán Alonso Econometría

47 Taller de Econometría Representación matricial Horacio Catalán Alonso Econometría

48 Taller de Econometría White: Términos no Cruzados Horacio Catalán Alonso Econometría Esta prueba asume que la heteroscedasticdad es función de la variables independientes de la ecuación inicial

49 Taller de Econometría Horacio Catalán Alonso Econometría Esta prueba se distribuye como una Chi cuadrada con el número de grados de libertad dados por el número de variables incluidas en la regresión auxiliar sin incluir la constante

50 Taller de Econometría White: Términos Cruzados Horacio Catalán Alonso Econometría

51 Taller de Econometría ARCH (1): Horacio Catalán Alonso Econometría Esta prueba se basa en la estimación de una regresión que incluye los valores rezagados al cuadrado de los residuales de la ecuación original. La hipótesis nula es que no existe heteroscedasticidad Está hipótesis se rechaza si los coeficientes de la ecuación son estadísticamente significativos. La prueba se distribuye como una Chi con ρ grados de libertad

52 Taller de Econometría Horacio Catalán Alonso Econometría

53 Consecuencias: 1. Los MCO siguen siendo insesgados y consistentes pero son ineficientes. Esto es la varianza ya no es mínima pero el uso de los MCO sigue siendo válido al menos en muestras grandes no obstante que no representa un uso eficiente de la información 2. Los estimadores de la varianza son sesgados 3. Como consecuencia de que las estimaciones de la varianza ya no son mínimas entonces las pruebas de la significancia basadas en los t disminuyen su poder Horacio Catalán Alonso Econometría

54 Causas: 1. Problemas de especificación 2. Variación en los coeficientes estimados 3. Problemas de agrupación de los datos Horacio Catalán Alonso Econometría

55 Soluciones para la Heteroscedasticidad 1. Especificación dinámica 2. Utilizarse estimaciones por mínimos cuadrados generalizados en donde se conoce o especifica a priori la forma de la heteroscedasticidad Horacio Catalán Alonso Econometría 3. Reespecificar la ecuación original

56 Cambio Estructural o Estabilidad en los Parámetros

57 Modelo general Horacio Catalán Alonso Econometría Una de las hipótesis estructurales del modelo es la constancia de los parámetros del modelo de regresión, es decir la existencia de una estructura única, valida para todo el periodo de observación y que se mantenga para el horizonte de predicción El no cumplimiento del supuesto de estabilidad de los coeficientes, implica consecuencias serias, en primer lugar la estimación de los coeficientes produce resultados incorrectos, y en segundo lugar, porque las proyecciones resultan erróneas.

58 Supuesto: Parámetros invariantes en el tiempo Modelo general El valor de los estimadores no cambia en el tiempo Cambio Estructural.- Es un cambio en el valor de los parámetros Horacio Catalán Alonso Econometría

59 1) La media condicional del modelo cambia en el tiempo. Los resultados que se obtienen no son confiables. El modelo no aproxima adecuadamente la evolución de la serie 2) El modelo no es adecuado para realizar pronóstico Horacio Catalán Alonso Econometría

60 1)Problemas de especificación en el modelo. Es necesario incorporar más información. Causas que generan el problema: 2) La variable dependiente presenta cambio estructural. Debido a choque externos ó medidas de política que han afectado su evolución Horacio Catalán Alonso Econometría

61 Econometría Para probar la existencia o no de estabilidad se han desarrollado diferentes pruebas entre las cuales están las conocidas como CUSUM, CUSUMSQ y CHOW.

62 Chow de Cambio Estructural Horacio Catalán Alonso Econometría La prueba clásica para un cambio estructural es atribuida a Chow (1960). Su famoso procedimiento divide la muestra en dos subperíodos, estima los parámetros para cada subperíodo y luego prueba la igualdad entre los dos conjuntos de parámetros utilizando un estadístico F clásico

63 Consideramos que la muestra de t = 1,..., T Se elige una fecha de cambio estructural t = n Esa fecha divide en dos ala muestra T = T 1 + T 2 Horacio Catalán Alonso Econometría Supóngase el siguiente modelo :

64 La segunda estimación comprende a partir de la fecha de cambio H 0 : H 1 : distinto a Horacio Catalán Alonso Econometría Se realizan dos estimaciones

65 RSS T.- suma de errores al cuadrado de toda la muestra RSST1.- suma de errores al cuadrado de la muestra T1 RSST2.- suma de errores al cuadrado de la muestra T2 k.- No. de parámetros en la ecuación T.- total de datos Horacio Catalán Alonso Econometría

66 Estimación por mínimos cuadrados recursivos Es una serie de estimaciones por MCO. Donde la muestra para cada estimación se incrementa sucesivamente. i =1,..., T Horacio Catalán Alonso Econometría

67 Prueba de Residuales Recursivos Horacio Catalán Alonso Econometría La posible inestabilidad de las funciones podría verificarse examinando el comportamiento de los residuos que generan las estimaciones recursivas de esos ajustes Se genera una serie de estimadores. Su representación gráfica permite observar como el estimador cambia en el tiempo

68 Horacio Catalán Alonso Econometría Por estimaciones recursivas se entienden aquellas en que la ecuación se estima repetidamente, con la utilización siempre del mayor subconjunto de los datos muestrales Si hay k coeficientes por estimar en el vector b, entonces las primeras k observaciones se utilizan para calcular la primera estimación del vector. La siguiente observación se incorpora al conjunto de datos y todas las (k + 1) se utilizan para obtener la segunda estimación del vector

69 Horacio Catalán Alonso Econometría Ese proceso continua hasta que se hayan empleado los n puntos muestrales, es que se produce (n-k) estimaciones del vector b. En cada paso la última estimación del vector se puede usar para predecir el próximo valor de la variable dependiente. El error de pronóstico a un paso se conoce como "residuos recursivos"

70 Prueba Medida estandarizada Para t= k+1,..., T Horacio Catalán Alonso Econometría

71 Se construye la suma acumulada CUSUM Horacio Catalán Alonso Econometría Se espera que E(W t )=0 pero si los parámetros no son constantes diverge del cero

72 Límites de no rechazo =0.05 a= Horacio Catalán Alonso Econometría El gráfico de esos residuos -o la suma acumulada de estos- denominada CUSUM- en el tiempo permite verificar desviaciones sistemáticas de éstos desde su línea de cero que es el valor esperado

73 k T Horacio Catalán Alonso Econometría

74 Econometría Cusum cuadrado (CUSUMSQ). Una medida alternativa, aunque no equivalente a utilizar CUSUM, consiste en emplear los cuadrados de los residuos recursivos. De nuevo, la suma acumulada en el tiempo de estos residuos al cuadrado, conocida como CUSUM al cuadrado, permite comprobar desviaciones no aleatorias desde su línea de valor medio La serie de CUSUM al cuadrado (CUSUMSQ), debidamente estandarizada, tiene un valor esperado que va de cero en t=1 hasta uno al final de la muestra, t=T

75 CUSUM SQR Horacio Catalán Alonso Econometría

76 Econometría La interpretación de los resultados de los tests CUSUM y CUSUMSQ, requiere, no sólo del dominio de la técnica de cálculo, sino también de una documentación pormenorizada acerca de las políticas y acontecimientos económicos del período en estudio, ello para el análisis de los puntos que se salen de las bandas.

77 Linealidad

78 Taller de Econometría Modelo general Supuesto de Linealidad El modelo es lineal respecto a X Donde g(X) es una función lineal que depende del conjunto de variables Horacio Catalán Alonso Econometría

79 Taller de Econometría Implicaciones del supuesto: Permite garantizar el uso adecuado del método de estimación de mínimos cuadrados RSS = UU = (Y - Xb)'(Y - Xb) = (Y – g(X))'(Y – g(X)) Si g(x) es lineal se puede aplicar un método de optimización lineal a fin obtener un valor de los estimadores Horacio Catalán Alonso Econometría

80 Taller de Econometría Los estimadores son insesgados Aplicando valor esperado Horacio Catalán Alonso Econometría

81 Taller de Econometría Si no se cumple el supuesto: La función g(X) no es lineal el método de estimación no es adecuado Los estimadores son sesgados Si la función g(X) no es lineal puede ser aproximada por una finción polinómica Horacio Catalán Alonso Econometría

82 Taller de Econometría Especificación de la prueba Las pruebas utilizadas para comprobar linealidad en el modelo. Se basan en rechazar que el modelo se pruede aproximar como una función polinómica Hipótesis nula H 0 : Lineal Hipótesis alternativa H 1 : No lineal Horacio Catalán Alonso Econometría

83 Taller de Econometría Prueba RESET modelo estimación Aproximación a la función polinómica Ramsey (1969), Test for specification in classical linear least squared regression analysis, Journal of the royal statistical society B, vol. 31 pp Horacio Catalán Alonso Econometría

84 Taller de Econometría Sea el modelo Se planeta la regresión auxiliar Se obtiene la estimación Se obtiene Horacio Catalán Alonso Econometría

85 Taller de Econometría Sustituyendo la estimación de Y^ al cuadrado Reordenando Que es equivalente a: Horacio Catalán Alonso Econometría

86 Taller de Econometría Se plantea la siguiente prueba de hipótesis Hipótesis nula el modelo es lineal Hipótesis alternativa el modelo NO ES LINEAL RESET (1) Horacio Catalán Alonso Econometría

87 Taller de Econometría Prueba F Modelo sin restricción Modelo con restricción Se definen URSS.- suma de errores al cuadrado de la regresión sin restricción RRSS.- suma de errores al cuadrado de la regresión CON restricción Horacio Catalán Alonso Econometría

88 Taller de Econometría m es el número de restricciones k los grados de libertad sobre la regresión de la hipótesis alternativa Horacio Catalán Alonso Econometría

89 Taller de Econometría Se plantea la siguiente prueba de hipótesis Hipótesis nula el modelo es lineal Hipótesis alternativa el modelo NO ES LINEAL RESET(2) Horacio Catalán Alonso Econometría

90 Referencias Bera a. y C. Jarque(1980). Efficient Test for Normality, Hetroscedasticity and Serial Independence of Regression Residuals. Economic Letters, 6, pp Brown, R., J. Durbin y J. Evans (1975), Techniques for testing the Constancy of Regression Relationships Over Time. Journal of the Royal Statistical Society, 37, pp Doornick, J. A. Y D. F. Hendry (1992), PC GIVE: An interactive Econometric Modelling System, versión 7. University of Oxford, agosto, pp Engle, R.F. (1983), Wald, Likelihood ratio and Lagrange Multiplier tests in Econometrics, en Handboo k in Econometrics, K. Arrow y M. Intrilligator (eds), vol. II, North Holland, pp

91 Greene, W. H. (1991), Econometric Analysis. Maxwell MacMillan International, pp.783. Hendry, D.H. y G Mizon (1978), Serial Correlation as a Convenient Simplification, not a nuisance: a Comment on a Study of the Demand for Money by the Bank of England.Economic Journal, 88, septiembre, pp Johnston, J. (1984), Econometric Methods. McGraw Hill. Judge, G., R. Hill, W. Griffiths, T. Lee y H Lutkepol (1982), An Introduction to the Theory and Practice of Econometrics. John Wiley.

92 Maddala, G.S. (1988), Introduction to Econometrics. Maxwell MacMIllan International Editions, pp. 472 Spanos, A. (1986), Statistical Foundations of Econometric Modelling. Cambridge University Press, pp Steward M. B. y K. F. Wallis (1981), Introductory Econometrics. Basil Blackwell LTD, pp White, H. (1980), A Heteroscedasticity-Consistent Covariance matrix Estimator and a Direct Test for Heteroscedasticity. Econometrica. Núm. 48, pp

93 FACULTAD DE ECONOMÍA UNAM Maestría en Economía Prof. Eduardo Alatorre LABORATORIO DE ECONOMETRÍA 2006 Pruebas de diagnostico en el modelo Econométrico


Descargar ppt "FACULTAD DE ECONOMÍA UNAM Maestría en Economía Prof. Eduardo Alatorre LABORATORIO DE ECONOMETRÍA 2006 Pruebas de diagnostico en el modelo Econométrico."

Presentaciones similares


Anuncios Google