Manual de Econometra

Alfonso Novales
April 29, 2003
Contents
1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Algunos conceptos estadsticos bsicos . . . . . . . . . . . . . . . . . .
2.1 Medidas de posicin y medidas de dispersin . . . . . . . . . . . .
2.1.1 La media muestral como predictor . . . . . . . . . . . . . .
2.1.2 La desviacin tpica como indicador de volatilidad . . . . .
2.2 Medidas de asociacin . . . . . . . . . . . . . . . . . . . . . . . .
3 Contrastacin de hiptesis estadsticas . . . . . . . . . . . . . . . . . .
3.1 Contrastes de Normalidad . . . . . . . . . . . . . . . . . . . . . .
3.2 Contrates de asociacin . . . . . . . . . . . . . . . . . . . . . . . .
4 Tratamiento de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1 Ajuste estacional . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Tasas de variacin . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Estimacin de componentes . . . . . . . . . . . . . . . . . . . . .
5 El modelo lineal simple de regresin . . . . . . . . . . . . . . . . . . . .
5.1 Descripcin del modelo . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Nube de puntos . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Estimacin por mnimos cuadrados (ordinarios) . . . . . . . . . .
5.2.1 Representacin grfica de la recta de regresin estimada .
5.3 Propiedades del estimador de mnimos cuadrados ordinarios . . .
5.4 Residuos del modelo. Grficos de residuos . . . . . . . . . . . . .
5.4.1 Estimacin de la varianza del trmino de perturbacin . .
5.5 Cuando los coeficientes del modelo de regresin cambian a lo largo
de la muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.1 Cambio estructural en los coeficientes del modelo de regresin

5
5
5
5
7
9
9
14
14
15
15
15
15
15
15
15
15
15
15
16
17
17
18

5.5.2 Variacin gradual en los coeficientes del modelo . . . . . .

5.6 Algunos modelos de regresin sencillos . . . . . . . . . . . . . . .
5.6.1 El modelo constante . . . . . . . . . . . . . . . . . . . . .
5.6.2 El modelo con variables en desviaciones respecto a la media
5.6.3 El modelo con tendencia determinista lineal y cuadrtica .
5.6.4 Modelos no lineales en las variables . . . . . . . . . . . . .
5.7 Cmo especificar un modelo de regresin? . . . . . . . . . . . . .
5.7.1 Debe incluirse una constante en el modelo de regresin? .
5.7.2 Debemos estimar en valores originales o en logaritmos de
las variables? . . . . . . . . . . . . . . . . . . . . . . . . .
5.7.3 Debe estimarse el modelo con variables en niveles o en
diferencias? . . . . . . . . . . . . . . . . . . . . . . . . . .
5.7.4 La frecuencia de observacin de las variables . . . . . . . .
6 Contrastes de hiptesis en el modelo de regresin lineal simple . . . . .
6.1 Significacin estadstica versus precisin . . . . . . . . . . . . . .
6.1.1 Se hace una variable ms o menos significativa? . . . . . .
6.1.2 Cmo puede discutirse qu variable es ms relevante en
una regresin? . . . . . . . . . . . . . . . . . . . . . . . . .
7 Correlacin versus causalidad . . . . . . . . . . . . . . . . . . . . . . .
8 Variables no estacionarias . . . . . . . . . . . . . . . . . . . . . . . . .
8.1 Caractersticas de una variable estacionaria . . . . . . . . . . . . .
8.2 Tendencias deterministas y tendencias estocsticas . . . . . . . . .
8.3 Regresin esprea . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3.1 Regresin esprea bajo tendencias deterministas . . . . . .
8.3.2 Regresin esprea bajo tendencias estocsticas . . . . . . .
8.4 Tratamiento de tendencias deterministas . . . . . . . . . . . . . .
8.5 Ejercicios de simulacin . . . . . . . . . . . . . . . . . . . . . . .
8.6 Tendencias estocsticas y races unitarias . . . . . . . . . . . . . .
8.7 Contrastes de raz unitaria . . . . . . . . . . . . . . . . . . . . . .
8.8 Cointegracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.8.1 Contraste de cointegracin . . . . . . . . . . . . . . . . . .
8.8.2 Contraste de hiptesis sobre la relacin de cointegracin estimada por mnimos cuadrados . . . . . . . . . . . . . . .
8.8.3 Correlacin y cointegracin . . . . . . . . . . . . . . . . .
8.8.4 Variables cointegradas: un ejemplo . . . . . . . . . . . . .
8.8.5 El modelo de correccin de error . . . . . . . . . . . . . . .
8.8.6 El contraste de cointegracin de Johansen . . . . . . . . .
2

21
21
21
23
24
25
26
26
27
27
27
30
30
32
32
32
32
32
33
36
38
39
42
44
44
45
45
45
47
47
48
49
51

8.8.7

10
11
12
13
14

15
16

17
18

Aspectos comunes a varias variables temporales: tendencias

comunes, volatilidad comn. . . . . . . . . . . . . . . . . .
8.8.8 Qu hacer en presencia de variables con tendencias estocsticas (races unitarias)? . . . . . . . . . . . . . . . . . . . .
Matrices de covarianzas no escalares . . . . . . . . . . . . . . . . . . . .
9.1 Deteccin de la autocorrelacin . . . . . . . . . . . . . . . . . . .
9.2 Tratamiento de la autocorrelacin. . . . . . . . . . . . . . . . . .
9.3 El estimador de mnimos cuadrados generalizados . . . . . . . . .
9.4 Deteccin de la heteroscedasticidad . . . . . . . . . . . . . . . . .
9.5 Contraste de igualdad de varianza entre submuestras . . . . . . .
9.6 Tratamiento de la heteroscedasticidad . . . . . . . . . . . . . . . .
El modelo de regresin lineal mltiple . . . . . . . . . . . . . . . . . . .
10.1 Estimacin por mnimos cuadrados . . . . . . . . . . . . . . . . .
Propiedades del estimador de mnimos cuadrados. . . . . . . . . . . . .
Bondad de ajuste del modelo . . . . . . . . . . . . . . . . . . . . . . . .
Contrastes de hiptesis . . . . . . . . . . . . . . . . . . . . . . . . . . .
Matrices de covarianzas no escalares . . . . . . . . . . . . . . . . . . . .
14.1 Comparacin de estimadores de la regresin mltiple y la regresin
simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2 Regresin particionada . . . . . . . . . . . . . . . . . . . . . . . .
Grado de ajuste del modelo de regresin mltiple . . . . . . . . . . . .
15.1 Coeficientes de correlacin parcial y de determinacin parcial . . .
Colinealidad entre variables explicativas en un modelo de regresin . . .
16.1 Efectos de la colinealidad entre variables explicativas . . . . . . .
16.2 Deteccin de la colinealidad . . . . . . . . . . . . . . . . . . . . .
16.3 Tratamiento de la colinealidad . . . . . . . . . . . . . . . . . . . .
16.3.1 Regresin ortogonalizada . . . . . . . . . . . . . . . . . . .
16.3.2 Otros tratamientos . . . . . . . . . . . . . . . . . . . . . .
Prediccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelos univariantes de series temporales . . . . . . . . . . . . . . . .
18.1 Primeros conceptos . . . . . . . . . . . . . . . . . . . . . . . . . .
18.1.1 Procesos estocsticos . . . . . . . . . . . . . . . . . . . . .
18.1.2 Funciones de autocorrelacin simple y parcial . . . . . . .
18.2 Procesos autoregresivos, AR(p) . . . . . . . . . . . . . . . . . . .
18.2.1 El modelo AR(1) . . . . . . . . . . . . . . . . . . . . . . .
18.2.2 El modelo AR(2) . . . . . . . . . . . . . . . . . . . . . . .
18.3 Procesos de medias mviles, MA(q) . . . . . . . . . . . . . . . . .
3

51
51
54
54
54
54
54
54
54
54
59
60
68
68
74
75
77
77
78
80
81
84
85
85
87
87
88
88
88
88
88
88
88
88

18.4 Procesos mixtos, ARMA(p,q) . . . . . . . . . . . . . . . . .

18.5 Procesos integrados ARIMA(p,d,q) . . . . . . . . . . . . . .
18.6 Prediccin con modelos univariantes . . . . . . . . . . . . . .
18.6.1 Prediccin con modelos AR(p) . . . . . . . . . . . . .
18.6.2 Prediccin con modelos MA(q) . . . . . . . . . . . .
18.6.3 Prediccin con modelos ARMA(p,q) . . . . . . . . .
18.6.4 Prediccin con modelos ARIMA(p,d,q) . . . . . . . .
18.7 Estimacin de modelos univariantes de series temporales . .
18.7.1 Estimacin de modelos autoregresivos . . . . . . . . .
18.7.2 Estimacin de modelos de medias mviles . . . . . .
18.7.3 Estimacin de modelos ARMA(p,q) y ARIMA(p,d,q)
19 El procedimiento de variables instrumentales . . . . . . . . . . . .
19.1 Correlacin entre variables explicativas y trmino de error .
19.2 Errores de medida . . . . . . . . . . . . . . . . . . . . . . . .
20 Modelos dinmicos . . . . . . . . . . . . . . . . . . . . . . . . . .
20.1 Colinealidad entre variables explicativas . . . . . . . . . . .
20.2 Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20.2.1 Perturbacin sin autocorrelacin . . . . . . . . . . . .
20.2.2 Perturbacin con autocorrelacin . . . . . . . . . . .
21 Simultaneidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21.1 Identificacin . . . . . . . . . . . . . . . . . . . . . . . . . .
21.2 Estimacin de una ecuacin del sistema . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88
88

1. Introduccin
Ha sido tradicional dejar muchas decisiones a los mtodos estadsticos.
La discusin importante es si el investigador debe plantear su investigacin
incorporando sus creencias a priori o, por el contrario, la investigacin ha de ser
asptica en ese sentido, no debiendo estar condicionada en ningn aspecto por las
creencias iniciales del investigador.

2. Algunos conceptos estadsticos bsicos

2.1. Medidas de posicin y medidas de dispersin
Media, media ponderada, mediana, moda, varianza, desviacin tpica. Medidas
alternativas de volatilidad.
La media, muestral o poblacional, es la constante con respecto a la cual el
error cuadrtico medio de la variable aleatoria es menor. Conveniencia de su
utilizacin.
2.1.1. La media muestral como predictor
La esperanza matemtica de una variable tiene una propiedad de gran importancia: es la constante alrededor de la cual la variable aleatoria experimenta
fluctuaciones de menor tamao. Anlogamente, dada una determinada muestra,
la media muestral es la constante con respecto a la cual la variable experimenta
unas menores desviaciones. Es decir, si nos plantemos resolver el probelma,

M in F (a) M in E (X a)2
a

donde la incgnita es la constante a, la solucin es a = . El valor mnimo

de la funcin objetivo es: F () = V ar(X). Dada una determinada muestra de
tamao n, la solucin al problema,
M in F (a)
a

n
X

(Xi a)2

viene dada por a = x. El valor mnimo de la funcin objetivo es: F (

x) =
V ar(X), varianza muestral de X.
Quiz sorprendentemente, esta propiedad tiene implicaciones en relacin con
la prediccin: un ejercicio de prediccin consiste en anticipar un valor de una
5

variable Xt en un instante futuro t0 , xt0 a partir de observaciones temporales

x1 , x2 , ..., xT , T < t0 . Por supuesto que una prediccin no se ver exactamente
corroborada por los datos futuros: el dato que se reciba en el instante t0 , xt0 ,
podr exceder de la previsin xt0 que efectuamos en el instante T , o ser inferior a
la misma. Lo que el investigador quiere es que su mtodo de prediccin garantice
que el error que espera cometer sea el menor posible. no tendra sentido utilizar
un mtodo de prediccin que incumpla esta propiedad, pues equivaldra a creer
que existe algn mtodo de prediccin alternativo con una expectativa de error
inferior. Ahora bien, como el error de prediccin (definido como la diferencia entre
valor realizado y valor anticipado, xt0 xt0 ) que se materialice en t0 puede ser
positivo o negativo, es razonable buscar un mtodo de prediccin que minimice la
expresin,

M in E (xt0 xt0 )2
x
t0

(2.1)

Ahora bien, si la variable X tiene una distribucin de probabilidad constante

en el tiempo, como ocurrira si estamos considerando una muestra aleatoria simple,
y en ausencia de tendencias, cambios estructurales en media, etc., la propiedad
anterior nos sugiere que el mejor procedimiento de prediccin ser,
xt0 = x
Por tanto, si hemos de predecir un valor futuro de una variable aleatoria, sin
disponer de datos de la misma, su esperanza matemtica, si es conocida, minimiza
el Error Cuadrtico Medio entre todas las predicciones posibles. Si conocemos
nicamente la media muestral, pero no disponemos de los datos individuales, dicha
media muestral tiene una propiedad anloga a la que acabamos de enunciar.
Tan importante es esta propiedad que la media muestral debe utilizarse como
referencia con respecto a la cual tratar de obtener una prediccin mejor. Cuando
decimos que una variable es impredecible, no nos referimos a que su prediccin
es cero, o que no puede obtenerse, sino a que propondremos como prediccin su
media muestral, sin hacer ningn clculo adicional. Lo importante es observar que,
si se conoce la esperanza matemtica de la variable, o se dispone de una media
muestral, stas son predicciones sencillas de obtener, y aceptables, al menos en
ausencia de informacin adicional.
Como matiz puede aadirse que, si el criterio a minimizar cuando se calcula
una prediccin no es el ECM como en (2.1) , sino el Arror Absoluto Medio de la
prediccin,
6

M in E | xt0 xt0 |
x
t0

(2.2)

entonces la prediccin debe ser la Mediana poblacional, o la mediana muestral,

si se dispone de dicha informacin, xt0 = M ediana(x).
Hay que resaltar, sin embargo, que, con ms informacin que simplemente la
media muestral, el investigador puede aspirar a obtener una prediccin mejor que
la proprcionada por la media muestral; para ello, deber sustituir el promedio
muestral por la esperanza condicional ET xt0 . Si por ejemplo, el investigador cree
que la variable que pretende predecir obedece una estructura AR(1), entonces la
prediccin que minimiza el Error Cuadrtico Condicional Medio vendr dada por
ET xt0 = (t0 T ) xT , como vimos al examinar este tipo de procesos. La varianza
condicional no es nunca superior a la varianza incondicional y es, en la mayora
de los casos, muy inferior. La media muestral minimiza la varianza incondicional,
mientras que ET xt0 minimiza la varianza condicional, alcanzando un resultado
menor de este criterio y, por tanto, preferible.
El modo en que puede utilizarse la informacin muestral detallada disponible
para obtener el valor numrico dela varianza condicional ET xt0 es el objeto de
XXX.
2.1.2. La desviacin tpica como indicador de volatilidad
Ha sido tradicional en el anlisis de datos econmicos utilizar la desviacin tpica
como medida de volatilidad de una variable. Esto es especialmente cierto en
el analisis de datos financieros, donde, aunque recientemente se han introducido
otras medidas de volatilidad, el uso de la desviacin tpica es todava habitual.
Esta prctica se deriva de la interpretacin directa de la desviacin tpica,como la
desviacin promedio entre los valores que toma una determinada variable aleatoria, y su valor medio. Sin embargo, existen mltiples situaciones en las que tal
caracterizacin de la volatilidad puede proporcionar una imagen engaosa de lo
que el investigader pretende medir.
Tomamos como punto de partida la idea de que, al medir volatilidad, el investigador pretende cuantificar el tamao medio de las fluctuaciones que experimenta
una determinada variable aleatoria. La simple lectura de esta afirmacin debera
sugerir al lector que, como posible definicin de volatilidad, resulta fundamentalmente incompleta. Las fluctucaioens que experimenta una variable aleatoria
no pueden estudiarse si no se define previamente el valor que sirve de referencia
respecto al cual medir dichas fluctuaciones.
7

En una primera lectura, podra pensarse que es evidente que la pretensin es

la de cuantificar las fluctuaciones que experimenta una variable aleatoria respecto
a su nivel medio. Esta es la idea que subyace al uso de la desviacin tpica como
medida de volatilidad; sin embargo, es fcil ver que existen situaciones en que
dicha utilizacin no est totalmente justificada:
Cambio estructural en media: supongamos una variable X que es constante
a lo largo de cada una de las dos submuestras enque podemos dividir el
perodo muestral. Es decir, X=1 en la primera parte de la muestra, y
X=2 en la segunda parte de la muestra. En muchos sentidos, podramos
decir que esta variable es constante, y ha experimenatdo una volatilidad
nula a lo largo del intervalo muestral, si bien es verdad que en el instante t0
se produjo un cambio estructural, de carcter permanente, en el nivel medio
de la variable. Si no se tiene en cuenta dicho cambio en la media, la varianza
de X resulta ser no nula, mientras que si tenemos en cuenta el cambio en
media, la varianza que calculemos ser cero.
Presencia de una tendencia determinista: supongamos una variable X que
crece a una tasa media de , a la vez que experimenta fluctuaciones alrededor de dicha tasa media de crecimiento. En este caso, la varianza muestral
de la variables, as como su desviacin tpica, sern importantes, y tanto
ms elevadas cuanto mayor sea la tendencia o tasa de crecimiento . Esta
situacin es muy frecuente en Economa en general y en Finanzas en particular, y se utiliza la desviacin tpica como indicador de volatilidad. Hay
dos dificultades que suelen ignorarse: una, que, en presencia de endencia,
carecemos de valor central de referencia. En presencia de una tendencia o
crecimiento constante , el valor medio tender a ser el valor que tom la
variable hacia el perodo central de la muestra, pero no es representativo de
los valores muestrales de la variable: la primera parte de la muestra tender
a estar por debajo de la media, estando la segunda parte de la muestra por
encima de la media muestral; en tal situacin la media muestral no es un
valor representativo de la variable y, en consecuencia, no tiene mucho sentido
calcular el tamao de las fluctuaciones alrededor de dicha media. En este
contexto, el tamao medio de las fluctuaciones alrededor de la media ser,
en realidad, un indicativo de la magnitud de , la tasa media de crecimiento
o tendencia determinista.
Este es un caso donde debemos distinguir entre corto y largo plazo: a largo
plazo, el uso de la desviacin tpica podra estar justificado, si entendemos que la
8

tendencia media de crecimiento ser eventualmente sustituida por un descenso

en la variable, y la sucesin de un ciclo u oscilacin de perodo amplio, que terminara justificando el clculo de un valor central de referencia. La volatilidad a corto
plazo ser el tamao medio de las fluctuaciones alrededor de la tendencia determinista. Por tanto, tendra plena justificacin extraer de la variable el crecimiento
tendencial, que haba que estimar previamente, y calcular el tamao medio de las
fluctuaciones que experimente el componente que resulta tras la extraccin de la
tendencia determinista.
Una vez ms, no se trata de discutir cul es el modo correcto de proceder; ms
bien, hay que entender que estamos hablando de estimar caractersticas diferentes
y, alguna de ellas puede no estar estadsticamente justificada. De acuerdo con la
discusin anterior, medir la volatilidad mediante la desviacin tpica de una variable con tendencia determinista, tiene poca justificacin. Esto es especialmente
cierto en el anlisis financiero: en un perodo en que el precio de un activo experimente un slido crecimiento, su avrianza muestral resultar relativamente alta,
por lo que podra concluirse que ofrece un riesgo importante; en consecuencia, a
pesar de su sostenida rentabilidad (variacin porcentual en precio), un inversor
podra decidir no incorporarlo en su cartera; este anlisis sera incorrecto.
2.2. Medidas de asociacin
Coeficiente de correlacin. Coeficiente de correlacin parcial.

3. Contrastacin de hiptesis estadsticas

Uno de los procedimientos bsicos dela inferencia estadstica es la contrastacin
de hiptesis, mediante el cual el investigador pretende conocer el grado en que la
informacin muestral de que dispone es compatible con una determinada hiptesis. La hiptesis quee contrasta, denominada hiptesis nula, hace referencia a una
determinada caracterstica de la distribucin de probabilidad de la que procede
la informacin muestral disponible. As, la hiptesis nula, denotada como H0 ,
puede ser del tipo: H0 : La poblacin de la que se extrajo la muestra es Normal o referirse a valores numricos para algn parmetro de dicha distribucin
de probabilidad poblacional, como H0 : La esperanza matemtica poblacional es
igual a 10: H0 : = 10, La varianza poblacional es igual a 25: H0 : 2 = 25,
ambas propiedades a la vez: H0 : = 10, 2 = 25. Generalmente, los contrastes
anteriores se realizan bajo el supuesto de que el carcter de la distribucin de
9

probabilidad poblacional es conocido, por ejemplo, Normal. Este tipo de contrastes son contrastes paramtricos, puesto que se basan en la estimacin de algunos parmetros de la distribucin de probabilidad poblacional. El investigador
no debe olvidar nunca que las propiedades de estos contrastes dependen de que
sea correcta la hiptesis que se haya establecido acerca del tipo de distribucin
poblacional de la que se extrajo la muestra disponible, as como del carcter de
dicha muestra (muestra aleatoria simple). Un contraste que tiene muy buenas
propiedades XXXX
Existen contrastes no paramtricos, que no precisan de la estimacin de parmetros poblaiconales, ni descansan en ningn supuesto acerca de la distribucin de
probabilidad poblacional, que son de un enorme inters en el anlisis de datos
econmicos, a pesar de ser poco habituales. Son contrastes cuyas propiedades son
muy robustas (es decir, continan siendo vlidas total o aproximadamente) con independencia del tipo de distribucin poblacional. Una segunda razn que confiere
enorme inters a los contrates no paramtricos es que nos permiten discernir el
grado en que son vlidas hiptesis que no pueden representarse en trmios de valores numricos para los parmetros de la distribucin de probabilidad poblaiconal.
As, en el primero de los ejemplos mantes mencionados, queremos contrastar la
hiptesis de que la poblacin de la que se extrajo la muestra sigue una distribucin Normal. Por supuesto, que tambin podra contrastarse la hiptesis nula
de que obedecve una distribucin t de Student, o chi-cuadrao, o cualquier otra.
Asimismo, podemos contrastar la hiptesis de que dos muestra proceden de igual
distribucin de probabilidad, sin necesidad de especficar de qu tipo es ninguna
de ellas.
Un tipo de contraste de gran inters para las cuestiones examinadas en el
trabajo especfico economtrico estriba en el grado de asociacin entre variables.
Precisamente la Econometra consiste en el cnojunto de mtodos estadsticos que
permiten asignar valores numricos a los coeficientes de un modelo que trata de
representar la relacin existente entre un conjunto de variables econmicas. Es,
por tanto, un anlisis de tipo paramtrico; una vez asigndaos valores numricos a
los parmetros del modelo, generalmente se llevarn a cabo contrastes paramtricos de hiptesis, utilizando los valores numricos estimados. Existen, asimismo,
contrates no paramtricos que, sin necesidad de pasar por una fase de estimacin,
permiten discutir si la evidencia muestral es consistente con la hiptesis de que dos
variables determinadas estn relacionadas entre s. Es tan fcil llevar a cabo este
tipo de contrastes que deberan formar parte, como paso previo a la estimacin
de todo modelo econmtrico. No sera razonable que las conclusiones de tales
10

contrastes dictaminen la relacin de variables que deben incluirse en un modelo

economtrico, pero es sumamente iliustrativo compementar la informacin proporcionada por ambos tipos de contrastes. En definitivia, como proponamos en
la Introduccin a este texto, precisamente por su naturaleza probabilstica, los
mtodos estadsticos no deben utilizarse de manera dogmtica. En definitiva, se
trata de examinar la cuestin que est siendo objeto de anlisis en un determinado
estudio, a la luz de la informacin muestral disponible, desde diversas pticas, con
el objeto de proporcionar distintos tipos de evidencia. Por supuesto que en la generalidad de los casos, esas distintas perspectivas no sern todas consistentes entre
s. Debe esperarse del investigador que proporcione toda la informcaion generada en relacin con la cuestin que defina la investigacin, para que cada lector
pueda extraer sus propias conclusiones. En un contexto probabilstico no existen
las verdades absolutas, y un detemrinado anlisis puede conducir a conclusiones
diferentes.
En un contraste paramtrico se establece, como confrontacin a la hiptesis
nula, una hiptesis alternativa. La forma que adopte dicha hiptesis no es irrelevante en cuanto a la resolucin del contraste de hiptesis. Como ejemplo,
tomando como un hecho cierto que la distribucin de probabilidad poblacional
es Normal, y qeu la varianza de dicha distribucin es conocida, un investigador
puede desear contrastar la hiptesis nula H0 : = 10, frente a la hiptesis alternativa H1 : 6= 10. En este caso, la hiptesis nula es simple, por cuanto que
incluye un nico valor posible para la esperanza matemtica poblaiconal, mientras
que la hiptesis alternativa es compuesta, por cuanto que incluye todo un rango
de valores, todos los distintos del incluido en la hiptesis nula. Este contraste
tiene, por tanto, otra caracterstica, y es que el conjunto de valores incluidos en
ambas hiptesis cubre todo el espacio paramtrico. Un contraste diferente, con
la misma hiptesis nula, sera aqul que considerase como hiptesis alternativa,
H10 : < 10. Esta es la hiptesis que debera especificar un investigador que sabe
que, dada la naturaleza del problema con el que trata, existen razones tericas
para creer que el valor numrico de no puede exceder de 10. Cuando se dispone
de dicha informacin, el ltimo contraste descrito, que restringe el rango de valores
numricos en la hiptesis alternativa fijando 10 como cota superior, tiene mejores
propiedades que el primero de los contrastes, que no estableca tal relacin. En
la mayora de las aplicaciones econmicas, se dispone de informacin de este tipo,
por lo que el investigador debe especificar cuidadosamente no slo la hiptesis
nual que contrasta, sino tambin la hiptesis que considera como alternativa,
de modo que su contraste de hiptesis tenga las mejores propiedades posibles.
11

Lamentablememnte, este hecho no suele tenerse en cuenta, establecindose con

demaisad frecuencia hiptesis del tipo H1 : 6= 10. No slo el contraste se resuelve de distinta manera, segn sea sta o H10 la hiptesis alternativa; adems,
cmoo hemos mencionado, las propiedades del contraste son distintas, y mejoran
si introducimos en la definicin del mismo, informacin procedente del modelo
terico que sea, por tanto, incuestionable.
En un contraste de hiptesis, se rechaza la hiptesis nula cuando la informacin muestral es: i) significativamente contraria a la hiptesis nula, ii) a
la vez que es favorable a la hiptesis alternativa.
Este principio, absolutamente bsico en la teora estadstica de contrastacin
de hiptesis, tambin suele ignorarse con demasiada frecuencia. Por ejemplo, uno
de las actuaciones incorrectas en el anlisis estadstico de datos econmicos, que se
produce con cierta frecuencia, se refiere a ocasiones en que la informacin muestral
es contraria al rango de valores numricos contenidos en la hiptesis nula, pero an
ms contraria al rango considerado bajo la hiptesis alternativa. Este sera el caso
si al confrontar H0 frente a H10 obtenemos que la media muestral, un estadstico
muestral que es estimador eficiente de la esperanza matemtica, resulta ser igual
a 22, por ejemplo. Otro ejemplo (crecimiento monetario e inflacin)
En tal caso, los mtodos estadsticos de contrastacin de hiptesis conducirn
a no rechazar la hiptesis nula, a pesar de que la informacin muestral es contraria
a la misma. Cuando esto sucede, es muy frecuente comprobar que el investigador
concluye que su hiptesis nula es vlida (con ste u otro calificativo de simialres
connotaciones). Sin embargo, estamos en una situacin donda informacin muestral es contraria a dicha hiptesis nula; lo que el investigador debera hacer en
este caso es reconocer este hecho, cuestionar la validez de su hiptesis nula, pero
cuestionar asimismo el razonamiento que le llev a establecer la hiptesis alternativa de su contraste, pues la informacin muestral ha sido an ms contraria a la
misma.
En cuanto a la resolucin de los contrastes paramtricos de hiptesis, es preciso llevar a cabo previamente un ejercicio de estimacin que proporcione una
estimacin numrica (x1 , x2 , ..., xn ) a partir del clculo del valor numrico que
toma un determinado estimador del parmetro o vector de parmetros mediante el que se define la hiptesis nula. Recordemos que un estimador es una
funcin de la informacin muestral; evidentemente, no todas las funciones de
la informacin muestral, es decir, todos los estimadores posibles, tienen buenas
propiedades estadsticas. Para llevar a cabo el contraste de hiptesis es preciso
12

que la distribucin de probabilidad del estadstico (x1 , x2 , ..., xn ) dependa del

parmetro o parmetros incluidos en la hiptesis nula. Por ejemplo,....
A su vez, el contraste de hiptesis tendr buenas propiedades si: i) ambas
hiptesis estn correctamente establecidas, ii) los supuestos sobre los que se condiciona el contraste, que pueden referirse al tipo de distribucin poblacional, as
como al valor numrico de alunos parmetros que no aparecen explcitamente
en el contraste, sean correctos, iii) el estadstico utilizado en la resolucin del
contraste tenga buenas propiedades estadsticas.
Cuando la hiptesis nula es simple, es decir, incluye un nico valor numrico,
y la hiptesis alternativa es del tipo H10 , la resolucin del contraste se lleva a cabo
mediante la construccin de un intervalo de confianza alrededor del valor numrico
del estimador, utilizando la distribucin de probabilidad del mismo. As, llegamos
a una afirmacin del tipo,
h

= P a g (X) , b
(3.1)
donde , un nmero positivo prximo a 1, es el nivel de confianza del contraste.
El contraste se resuelve despejando el valor terico del parmetro desconocido
dentro de la expresin anterior, para obtener una igualdad del tipo,
h
i
= P h1 ( (X)) f () h2 ( (X))
(3.2)

donde h1 ( (X)), h2 ( (X)) son nmeros reales que dependen de: i) el valor
numrico del estimador (x1 , x2 , ..., xn ) en la muestra disponible, ii) el supuesto
acerca de la distribucin poblacional, iii) el nivel de confianza (o el nivel de signifcacin) escogidos para el contraste.
En esta expresin, dada una determinada muestra, el valor numrico del estimador (X) es conocido, por lo que puede comprobarse si se satisfacen o no las
desigualdades,

h1 ( (X)) f 0 h2 ( (X))

(3.3)

donde hemos sustituido el valor desconocido de por el valor numrico incluido

en la hiptesis nula, 0 . S
Bajo el supuesto que se ha hecho acerca de la distribucin de probabilidad
poblacional, y de los valores numricos de los parmetros que se han supuesto
conocidos (si haya alguno), la probabilidad de que el valor numrico de la funcin
f () caiga fuera del intervalo (3.3) es de 1- y, por tanto, pequea. Es decir,
13

ste sera un suceso poco probable; si para = 0 , la funcin f () incumple las

cotas definidas en (3.3) diremos que dicho valor del parmetro es poco verosmil,
rechazando, en consecuencia, la hiptesis nula.
A modo de ejemplo, recordemos cmo se lleva a cabo un contraste de hiptresis
acerca del valor numrico de la esperanza matemtica de una poblacin Normal
cuya varianza se supone conocida. El punto de partida es la propiedad de la
media muestral de tal poblacin, que sigue una distribucin asimismo Normal,
con la misma esperanza matemtica que la poblacin, y con una varianza igual
a la varianza poblacional dividida por el tamao muestral. As, si la poblacin
es X N (, 25), la media muestral es una variable aleatoria con distribucin
x N (, 25
). Por tanto, si se trabaja a un nivel del confianza del 95%, por
n
ejemplo, tendremos,

x
0, 95 = P 1, 96 1, 96
5/ n
donde hemos utilizado el hecho de que x N (0, 25
) y x N(0, 1).
n
25/n

Esta igualdad es la correspondiente a (3.1) , donde el parmetro poblacional sobre

el que se establece el contraste
es la esperanza matemtica, = ; el estimador
(x1 , x2 , ..., xn ) = x = 1 Pn xi es la media muestral, = 0, 95, y a = 1, 96; b =
i=1
n
1, 96.
De esta igualdad, obtenemos,

5
5
5
5
0, 95 = P 1, 96 x 1, 96 x = P x 1, 96 x + 1, 96
n
n
n
n
que es una igualdad anloga a (3.2) , con h1 (
x) = x 1, 96 5n , h2 (
x) = x +
5
1, 96 n , f () = .
En definitiva, nos queda comprobar si cuando se introduce en esta ltima
igualdad el valor de que define la hiptesis nula, la cadena de desigualdades
se satisface o no. Supongamos que en la muestra disponible, de tamao 400, se
ha calculado para la variable X una media muestral x = 7, 5;en consecuencia, el
intervalo anterior es: 0, 95 = P [7, 0 8, 0] .
3.1. Contrastes de Normalidad
3.2. Contrates de asociacin
Antes de proceder a la estimacin de un modelo especfico que establezca una
relacin paramtrica entre dos variables, conviene explorar la posible existencia
14

de una relacin entre ellas por los procedimientos estadsticos disponibles. Uno
de ellos son los contrastes no paramtricos. Como ya hemos comentado anteriormente, una de las virtudes de este tipo de anlisis es que su validez y, en
particular, los umbrales crticos que debe sobrepasar el estadstico que define el
contraste, no dependen de ningn supuesto acerca de la distribucin de probabilidad seguida por las variables cuya relacin se trata de caracterizar. Frente
a otros procedimientos que forman el ncleo tradicional de la Econometra, esto
es una ventaja pues, en el caso de los ltimos, la Normalidad de la variable cuyo
comportamiento se pretende explicar es clave. Como, adems, el supuesto de Normalidad acerca de la distribucin de probabilidad de una variable econmica es
mucha veces rechazado, resulta que las buenas propiedades de las estimaciones de
un modelo economtrico quedan muchas veces en cuestin. Por eso es conveniente
su uso en combinacin con otro tipo de procedimientos estadsticos, especialmente
si sus propiedades no precisan tal hiptesis.

4. Tratamiento de datos
4.1. Ajuste estacional
4.2. Tasas de variacin
4.3. Estimacin de componentes

5. El modelo lineal simple de regresin

5.1. Descripcin del modelo
5.1.1. Nube de puntos
5.2. Estimacin por mnimos cuadrados (ordinarios)
5.2.1. Representacin grfica de la recta de regresin estimada
5.3. Propiedades del estimador de mnimos cuadrados ordinarios
Generalmente, estamos muy interesados en contratar hiptesis de distinto tipo: a)
si una variable explicativa contiene informacin significativa acerca de la variable
dependiente, b) si el coeficiente de imapacto de una determinada variable es igual
a 1, c) si dos variables explicativas tienen el mismo coeficiente, etc...
Sin embargo, aunque los coeficientes del modelo de regresin son constantes,
si bien desconocidas, sus estimaciones, por cualquier procedimiento que podamos
15

utilizar, son aleatorias, pues son funcin de la muestra que utilicemos, que es
aleatoria. Si el modelo que estamos estimando es correcto, como hemos de
suponer, la perturbacin aleatoria del mismo, ut , otorga naturaleza asimismo
aleatoria a la variable dependiente, yt . Esto significa que si cambiamos por ejemplo el perodo muestral que utilizamos en la estimacin, la realizacin de dicha
perturbacin, es decir, sus valores numricos, sern diferentes, con lo que las observaciones de yt tambin los ern, y la estimacin de los parmetros diferir de
la obtenida con otro perodo muestral. Asimismo, si cambiamos la frecuencia de
observacin de los datos, de diaria a mensual, por ejemplo tomando el ltimo dato
de cada mes, la muestra cambia, y con ella, las estiamciones de los coeficientes de
las variables explicativas en el modelo.
Siendo variables aleatorias, nos interesa que los estimadores tengan ciertas
propiedades deseables, lo cual depender del procedimiento de estimacin utilizado, y de lasc aractersticas del modelo que estamos estimando. Las principales
propiedades en que podemos estar interesados son: insesgo, eficiencia y consistencia.
El insesgo consiste en que la esperanza matemtica del estimador coincida
con el verdadero valor numrico del coeficiente que estamos estimando. Un estimador eficiente es un estimador de mnima varianza. El procedimiento de mnimos
cuadrados proporciona el estimador lineal de mnima varianza, si bien pueden existir otros estimadores no lineales de varianza todava menor. Un estimador es
consistente si, al aumentar el tamao muestral, converge en probabilidad al verdadero valor del parmetro desconocido que se est estimando. Se dice entonces
que su lmite en probabilidad es dicho parmetro. Bien podra ocurrir que el estimador fuese sesgado en muestra pequeas, pero si es consistente, dicho sesgo ir
reducindose si ampliamos el tamao muestral. El estimador de mnimos cuadrados no es siempre consistente. El estimador de mxima verosimilitud lo es, pero
siempre que la hiptesis acerca de la distribucin de probabilidad en que se basa,
sea correcta, sobre lo que no se puede tener seguridad.
5.4. Residuos del modelo. Grficos de residuos
Los residuos del modelo, a veces denominados los errores del modelo de regresin,
son aqul componente de la variable dependiente que no est explicado por los
valores que toma la variable independiente o explicativa. En consecuencia, los
residuos ut se calculan a partir de la expresin,
yt = 0 + 1 xt + ut
16

de la que se obtiene,
ut = yt 0 1 xt
en el caso de datos de serie temporal, y
ui = yi 0 1 xi
en el caso de datos de seccin cruzada.
Grficamente, si volvemos a la nube de puntos que representa la posible
relacin entre x e y, y dibujamos sobre ella la recta de regresi n, el residuo
no es sino la distancia vertical entre la altura (ordenada) de cada punto de la
nube, y la altura que le correspondera de acuerdo con la recta de regresin estimada. Dicha altura debe tomarse con signo, de modo que el residuo es positivo
cuando el punto de la nube est por encima de la recta de regresin estimada, y
negativo cuando el punto queda por debajo de la recta de regresin estimada.
5.4.1. Estimacin de la varianza del trmino de perturbacin
5.5. Cuando los coeficientes del modelo de regresin cambian a lo largo
de la muestra
Supongamos que se dispne de datos de serie temporal, y que el coficiente que
mide la relacin entre las variables x e y, es decir, la pendiente del modelo, ha
variado a lo largo del tiempo. Es claro que un procedimiento de estimacin como
mnimos cuadrados nos proporcina un nico valor numrico de dicho coeficiente
y, por tanto, cobra pleno inters nicamente bajo el supuesto de que dicho valor
nmrico ha permanecido constante a lo largo del perodo muestral.
Sin embargo, en la mayora de las aplicaciones econmicas que pueden considerarse, tal supuesto parece demasiado restrictivo pues, ms bien, el valor numrico
de dicha elasticida habr variado a lo largo de la muestra. Qu proporciona en
tal caso el mtodo de mnimos cuadrados? Lo primero que debemos entender es
que el investigador no observa en ningn caso si el coeficiente ha variado en el
tiempo o no, dado que no observa el valor numrico de dicho coeficiente. Esta es,
precisamente, la razn que le mueve a estimar su valor numrico.
En muchas situaciones, sin embargo, el investigador puede tener fundadas
creencias acerca de que se han producido variaciones en el mismo. Por ejemplo,
muchas veces se afirma que la capacidad de la poltica monetaria para controlar la
inflacin se ha reducido significativamente recientemente; tal afirmacin se debe
17

a la observacin, en datos reales, de que una fuerte expansin monetaria sola

venir acompaada de un claro repunte inflacionista, mientras que, ms recientemente, un robusto cecimeinto monetario puede ser compatible con una inflacin
contenida.
En una situacin de tal tipo, un procedimiento de estimacin como MCO proporciona como valor numrico del parmetro un promedio de los valores numricos que ha tomado durante el intervalo de tiempo correspondinte a la muestra de
datos disponible. Por tanto, resulta de suma importancia el modo en que el coeficiente ha variado en el tiempo, como vamos a ver en los ejercicios de simulacin
siguientes.
5.5.1. Cambio estructural en los coeficientes del modelo de regresin
Supongamos que el coeficiente ha sido constante enla primera mitad de la muestra
e igual a 0,5, mientars que en la segunda mitad de la muestra ha sido asimismo
constante, e igual a 1,5. El estimador de mnimos cuadrados proporcionara en = 1, 0 no es representativo
tonces una estimacin en torno a 1,0. En realidad,
1
de lo que ha ocurrido en ningn momento de la muestra, como ilustra el grfico
XX.
Este tipo de situaciones puede conducir a impresiones engaosas, como ocurrira si en una parte de la muestra la pendiente ha sido positiva, invirtindose el
signo de la relacin entre x e y en la segunda mitad de la muestra. Si en ambas
partes el valor numrico de la pendiente ha sido el mismo, cambiando nicamente
su signo, la estimacin resultante ser prxima a 1 = 0, 0, sugiriendo la ausencia de relacin entre ambas variables. Tal conclusin ser bastante errnea, pues
habra existido una relacin, posiblemente bastante exacta entre x e y a lo largo
de toda la muestra, pero el signo de la misma habra cambiado de la primera a la
segunda submuestra, conduciendo a la equvoca estimacin mencionada.
Que la estimacin proporcionada por un procedimeitno del tipo de MCO sea
un promedio de los verdaderos valores numricos (no observados) de la pendiente,
no debe tomarse en el sentido de que es la media aritmetica de dichos valores
numricos. Sin embargo, tal intuicin es aproximadamente correcta. As, por
ejemplo, si en el primer tercio de la muestra la pendiente hubiese sido 1 = 1, 0, y
en las dos terceras partes finales de la muestra la pendiente hubiese sido 1 = 1, 0,
la estimacin numrica del parmetro no seria muy diferente de 1 = 0, 33, como
correspondera a la media aritmtica de los verdaderos valores, ponderados por el
nmero de observaciones a los que aplica cada uno de ellos.

18

Ejercicios de simulacin
Ejercicio 1: Simule 300 observaciones de un camino aleatorio N(10,25) como
datos muestrales de la variable explicativa x. Utilizando un valor numerico
de -1,0 para la pendiente, e ignorando el trmino de preturbacin del modelo, simule los 100 primeros datos para la variable dependiente y. Luego,
utilice un valor igual a 1,0 para la pendiente y genere los datos ficticios
correspondientes a las observaciones 101 a 300 de la variable dependiente.
Estime el modelo de regresin simple con dichos datos.
Comentario: Al ejecutar el programa XXX, el lector comprobar que la estimacin de la pendiente del modelo se comporta de acuerdo con lo comentado en
la seccin previa.
Es recomendable ejecutar el programa varias veces, para obtener as un conjunto de estimaciones numricas de dicho parmetro. En ningn caso se obtendr
estimaciones prximas al verdadero valor de la pendiente, que es de +1,0 en una
parte de la muestra, y de -1,0 en la otra, sino ms bien un promedio, ponderado de
acuerdo con el nmero de datos u observaciones en el que la pendiente ha tomado
uno u otro valor numrico.
El lector puede comprobar que, si aumenta la longitud muestral, las estimaciones que obtiene al ejecutar repetidas veces el programa, se aproximan an ms
al promedio que cabra esperar, dado el porcentaje de datos con pendiente igual
a +1,0 -1,0.
Los estadsticos resultantes de la estimacin presentan toda la apariencia de
proceder de un problema estadstico de relacin entre dos variables aleatorias. Sin
embargo, es muy importante observar que el problema que acabamos de estimar
es, en realidad, puramente determinista. No hay en el mismo ningn componente
estocstico o aleatorio pues, no hemos utilizado un lemento de perturbacin. En
nuestra simulacin, la relacin entre las variables x e y es, en todos los perdos
exacta, no faltando ninguna otra variable, ni estando sujeta a ningn elemento de
error impredecible.
Es precisamente el hecho de tratar como constante un coeficiente del modelo que no lo es, lo que produce la apariencia de ser un problema de naturaleza
estocstica. Considerar tal supuesto (errneo, aunque no lo sabamos), es comparable a introducir una perturbacin estocstica en el verdadero modelo, que
incorporara la variacin temporal en la pendiente.
En dicha estimacin, aparentemente estadstica, obtenemos un R-cuadrado
reducido, junto con una pendiente estimada que resulta estadsticamente significativa, si juzgamos por su estadstico tipo-t.
19

Existe asimismo evidencia de autocorrelacin en los residuos, como sugiere

el estadstico Durbin-Watson. La presencia de autocorrelacin es, en principio,
sorprendete, pues hemos generado una variable x con estructura de ruido blanco
y, por tanto, sin autocorrelacin y la variable y presenta una dependencia exacta y estrictamente contempornea con ella. Por tanto, no hay ni estructuras
de autocorrelacin, ni estructuras dinmicas que pudieran producirla. Los indicios de autocorrelacin provienen del cambio estructural que se produce en el
valor numrico de la pendiente. En el programa se calculan las funciones de
autocorrelacin simple de ambas variables del modelo; mientras que la variable
independiente (explicativa) no presenta autocorrelacin, como corresponde a su
estructura de ruido blanco que hemos utilizado en su generacin, la funcin de autocorrelacin de la variable dependiente sugiere indicios claros de autocorrelacin.
En realidad, esta variable, por construccin, carece de autocorrelacin, lo que
sugiere una llamada de atencin al uso indiscriminado de las funciones de autocorrelacin para detectar autocorrelacin serial en una variable o en los residuos
de una regresin.
El grfico XX que representa las observaciones de la variable dependiente junto
con los residuos dela regresin muestra la similitud entre ambas variables, loque
es, evidentemente, sinnimo de una relacin estimada pobre, a pesar de la significacin estadstica de la pendiente del modelo. De hecho, puede observarse que
la desviacin tpica de los residuos es similar a la desviacin tpica dela variable
dependiente, lo que significa, como ya discutimos en la Seccin XX, que el modelo
no tiene una capacidad explicativa importante. Nuevamente, es importante apreciar que ello ocurre junto con una valor claramente significativo del estadstico
F (F = T.R2 ) de significacin conjunta de la regresin estimada. Esta apariencia de validez del modelo, de acuerdo con los estadsticos habituales es, en este
caso, falsa, lo que constituye una impoirtante llamada de atencin sobre el uso
indiscutido de contrastes de hiptesis..
De modo anlogo, el grfico XX, que presenta los valores observados de la
variable dependiente, junto con sus valores ajustados, muestra que el ajuste no
se adeca en modo alguno al comportamiento de la variable que pretendamos
explicar con el modelo, y que ha experiemntado un cambio estructural entre la
primera y la segunda submuestras. Por el contrario, precisamente porque hemos
impuesto una pendiente constante a lo largo de toda la muestra, los valores ajustados, que utilizan dicho valor constante de la pendiente, dibujan un comportamiento constante, promedio, durante toda la muestra, que no representa adecuadamente ninguna de las dos submuestras.
20

 Simule asimismo con perturbacin. Construya un grfico de varianza de la

perturbacin y varianza de la distribucin de la pendiente estimada para un
nmero de observaciones muestrales dado.
5.5.2. Variacin gradual en los coeficientes del modelo
5.6. Algunos modelos de regresin sencillos
5.6.1. El modelo constante
Como representacin analtica dle comportamiento de una variable, no cabe duda
de que el modelo estadstico ms sencillo es,
yt = 0 + ut
que especifica que, excepto por un trmino de perturbacin de naturaleza aleatoria, la variable yt es constante. Con este modelo, el investigador declara la imposibilidad de encontrar ninguna variable que pueda explicar el comportamiento
de yt .
Puesto que la matriz de datos de la (nica) variable explicativa es en este caso,
X = (1, 1, 1, ..., 1)
0
un vector
Pt=Tde dimensin T, se tiene X = 1T , y recordando que 1T 1T = T,
y
= t=1 yt podemos adaptar la expresin general (XX) del estimador de
mnimos cuadrados a este caso particular, teniendo,
Pt=T
yt
1
0 = (10T 1T ) 10T y = t=1
= y
(5.1)
T
de modo que la estimacin de mnimos cuadrados de la constante es la media
muestral de lavariable que pretendemos explicar. En consecuencia, el residuo es,
en cada perodo,

10T y

ut = yt 0 = yt y
es decir, el dato correspondiente, en la forma de desviacin respecto a la media
muestral. Por tanto, la Suma Residual, o suma de los residuos al cuadrado es,
SR =

u2t

t=T
X
t=1

(yt y)2 = T Sy2

21

es decir, igual al producto del tamao muestral por la varianza muestral de

la variable dependiente yt . Por otra parte, la Suma Total es, como en cualquier
modelo de regresin,
ST =

t=T
X
t=1

(yt y)2 = T Sy2

y, por tanto, es especfico de este modelo que SR = ST. En consecuencia,

puesto que el modelo tiene una constante, se tiene: SE = ST SR = 0. En este
modelo, la Suma Residual coincide con la Suma Total, indicador de las variaciones
en yt que se pretende explicar, por lo que la Suma Explicada es igual a cero. En
consecuencia, el R-cuadrado de la regresin es asimismo cero,
R2 = 1

SR
SE
=
=0
ST
ST

Esto puede parecer paradjico a primera vista; sin embargo, tiene una interpretacin totalmente acorde con la naturaleza del modelo de regresin. Como
discutimos en la Seccin XX, aunque el modelo de regresin se especifica generalmente para relacionar los valores numricos observados para variables yt , xt ,
en realidad, su utilizacin fundamental en Economa estriba en establecer alguna
inferencia acerca de la relacin que pueda existir entre las variaciones que experimentan las variables explicativas por un lado, y la variable dependiente por otro.
Son las fluctuaciones en ambas variables lo que fundamentalmente pretendemos
caracterizar. Como vimos al caracterizar el estimador MCO, una vez que tenemos
estimaciones numricas para los coeficientes aosicados a las variables explicativas
del modelo, obtenemos la estimacin numrica de la constante del modelo mediante,
0 = y 1 x 0 0
que relaciona las medias muestrales de todas las variables del modelo. Por
tanto, la relevancia de la constante en el modelo estriba en ajustar las distintas
medias muestrales de las variables del mismo, corrigido cada una de ellas por el
coeficiente asociado. Pero este es un ajuste generalmnente poco relevante para
el investigador, que se interesa bsicamente en el modo en que variacioens en las
variables xt generan fluctuaciones en yt . Por tanto, en este modelo constante, en
que no se explican las fluctuacioens de yt , llevndose nicamente a cabo el ajuste
de medias muestrales a travs de (5.1) ,es lgico que el indicador de ajuste R2
22

resulte igual a cero. Ntese, por ltimo, que no hemos impuesto esta condicin,
sino que estamosminterpretan la propiedad del modelo constante, de tener un R2
igual a cero.
5.6.2. El modelo con variables en desviaciones respecto a la media
Consideremos un modelo lineal,
(5.2)

yt = 0 + 1 x1t + 2 x2t + ut
cuya versin estimada es,
2 x2t + ut
yt = 0 + 1 x1t +

(5.3)

y calculemos su promedio a travs de todas las observaciones muestrales. Tendremos,

t=T
X
t=1

yt =

t=T
X

0 + 1

t=1

t=T
X

x1t + 2

t=1

t=T
X
t=1

x2t +

t=T
X

ut

(5.4)

t=1

y teniendo en cuenta la propiedad de los residuos MCO de tener suma igual a

cero, se convierte en,
y = 0 + 1 x1 + 2 x2

(5.5)

Restando (5.5) de (5.3) se tiene,

yt y = 1 (x1t x1 ) + 2 (x2t x2 ) + ut
en el que se observa que el modelo (5.2) es consistente con un modelo cuyas
variables son las de (5.2)pero medidas cada una de ellas en desviaciones respecto
a su promedio muestral; los coeficientes estimados por MCO en este modelo coincidiran con los que se estimaran para el modelo original, excepto por el hecho de
que el modelo en desviaciones respecto a la media carece de trmino constante.
Por ltimo, los residuos MCO del modelo en desviaciones son, observacin a observacin, los mismos que se tendran para el modelo en las variables originales.
La diferencia entre ambos modelos es que el modelo con las variables en desviaciones respcto a la media no precisa de trmino constante. Es fcil entender por
qu: de acuerdo con (XX) , la estimacin MCO de la constante es la diferencia
entre la media muestral de la variable dependiente y las medias muestrales de
23

las variables explicativas, cada una de ellas corregida por el coeficiente asociado.
Pero en el modelo con variables en desviaciones respecto a la media, todas las
vriables, dependiente y explicativas, tiene media muestral igual a cero. Por tanto,
la estimacin MCO de una hipottica constante en dicho modelo sera igual a
cero. incluso si incluimos dicha constante, su estimacin de mnimos cuadrados
ser numricamente igual a cero.
5.6.3. El modelo con tendencia determinista lineal y cuadrtica
Un modelo sencillo interesante es aqul que incluye una tendencia determinista
como nica variable explicativa, adems del trmino constante,
ln yt = 0 + 1 t + ut

(5.6)

en el que la estimacin del coeficiente 1 nos proporciona una estimacin de

la tasa de crecimiento muestral de la variable yt . En efecto, si consideramos la
estructura,
yt = Ae 1 t

(5.7)

tendremos una tasa de crecimiento dada por,

dyt /dt
d (ln yt )
d (ln A + 1 t)
=
=
= 1
yt
dt
dt
En definitiva, el modelo (5.6) no es sino la versin logartmica de la ecuacin
de crecimiento (5.7), con 0 = ln(A), y donde el trmino de perturbacin ut pude
recoger cualquier fluctuacion de corto plazo alrededor de la tasa de crecimeinto
constante, 1 . Este modelo es, por tanto, apropiado cuando se pretende estimar
la tasa de crecimiento media de una variable yt a lo largo del perodo muestral.
Hay que tener en cuenta, sin emabrgo que el parmetro 1 proporciona la tasa de
crecimiento, supuesta constante, entre cada dos observaciones consecutivas. Si los
datos de que disponemos son de naturaleza anual, entonces habremos estimado el
crecimiento anual de la variable. Si los datos son trimestrales, el crecimiento anual
se obtendr a partir de la estimacin de 1 mediante = (1 + 1 )4 1, que habremos de multiplicar por 100 si queremos presentar en trminos porcentuales. Si los
datos de base son de naturaleza mensual, entonces obtendremos una estimacin
del crecimeinto anual a partir de = (1 + 1 )12 1.
Este modelo de tendencia determinista lineal es tambin muy til precisamente
para extraer de una variable su comportamiento de largo plazo, cuando se supone
24

que ste est bien representado por el supuesto de una tasa de crecimiento constante. As, una vez estimado el modelo (5.6) , los residuos ut nos proporcionan el
logaritmo de la variable yt desprovisto de tendencia, es decir, ut = ln yt 0 1 t,
recogiendo as el comportamiento de la variables segn flucta alrededor de su
tendencia de largo plazo. Diremos tambin que esta es la representacin de la
variable corregida de tendencia lineal. Como hemos visto, este ejercicio, efectuado sobre el logaritmo de la variable original, incorpora el supuesto implcito de
que la tasa de crecimiento de dicha variable es constante.
5.6.4. Modelos no lineales en las variables
Algunos modelos no lineales pueden tratarse de modo muy sencillo, sin necesidad
de desarrollar mtodos distintos de los estudiados en los captulos anteriores. Ello
ocurre en muchas situaciones en que el modelo presenta no linealidades exclusivamente en las variables que aparecen en la relacin que se pretende estimar,
como,
yt = 0 + 1 xt + 2 x2t + ut

(5.8)

que es un modelo con una nica variable explicativa, que aparece tanto en su
forma original, como al cuadrado. Es interesante observar que, en este modelo,
la derivada parcial, que recoge la magnitud de los cambios inducidos en yt por un
cambio en el valor numrico de xt viene dada por,
dyt
= 1 + 2 2 xt
dxt
A diferencia de la que tenamos en el caso del modelo de regresin lineal simple,
que era,
dyt
= 1
dxt
y, por tanto, constante, la derivada parcial del modelo (5.8) depende del valor
numrico de la variable explicativa. Esto puede ser muy interesante en muchas
relaciones econmicas, en las que es lgico pensar que el impacto que sobre yt tiene
una variacin unitaria en xt depende del valor numrico de xt a partir del cual
se produce dicha variacin unitaria. As, no tendra el mismo impacto negativo
sobre el consumo un incremento de un punto en el tipo impositivo del IVA si ste
25

se produce cuando dicho tipo es del 3%, que si dicho incremento se produce a
partir de un tipo del 15%. Parece lgico que as sea.
Si las variables utilizadas en la regresin son los logaritmos naturales de las
variables para las que inicialmente obtuvimos datos, como consumo y renta,
yt = ln(Yt ), xt = ln(Xt ), estaramos recogiendo en (5.8) la creencia en una elasticidad no constante, como aparece en muchos modelos tericos econmicos. Si el
valor numrico del coeficiente 2 es negativo, tendremos que la variable yt crece
menos que proporcionalmente con un aumento en xt , lo que correspondera a una
nube de puntos en la forma de una funcin cncava, mientras que si estimamos
un valor numrico positivo para 2 , tendremos que la variable yt crece ms que
proporcionalmente con un aumento en xt , lo cual correspondera a una nube de
puntos convexa. Por contraposicin, en el modelo lineal incorporamos a priori
la hiptesis de elasticidad constante, es decir, el supuesto de que la variable yt
crece proporcionalmente con xt .Sin duda que, aunque no se considera habitualmente, parece conveniente permitir en un priemr anlisis la posibilidad de una
relacin cuadrtica contrastando, si se desea, la significatividad estadstica del
coeficiente 2 , si bien dicho contraste habra que verlo a la luz de la discusin
de la Seccion XX. As, en muchas ocasiones (como puede ser si se quiere utilizar
el modelo estimado con fines predictivos) puede resultar conveniente mantener
un posible trmino cuadrtico incluso si el coeficiente 2 asociado aparece como
estadsticamente no significativo, en trminos del habitual contraste de la t de
Student.
Queda por discutir cmo obtener estimaciones de mnimos cuadrados para este
modelo, a pesar de ser una relacin no lineal entre variables. Pero este tipo de
modelos es muy sencillo de estimar, pues basta definir una nueva variable x2t = x2t
para tener el modelo de regresin,
yt = 0 + 1 xt + 2 x2t + ut

(5.9)

que, como modelo lineal que es en las variables explicativas xt y x2t , estimamos
por medio de los procedimientos descritos en la Seccin XX, teniendo el estimador
MCO de este modelo las propiedades habituales.
5.7. Cmo especificar un modelo de regresin?
5.7.1. Debe incluirse una constante en el modelo de regresin?
Consideremos el modelo de regresin simple,

26

5.7.2. Debemos estimar en valores originales o en logaritmos de las

variables?
5.7.3. Debe estimarse el modelo con variables en niveles o en diferencias?
5.7.4. La frecuencia de observacin de las variables
Muchas veces se alusin al aparente principio de que, en cualquier trabajo estadstico con datos, ms informacin es preferible a menos, por los que, un mayor
nmero de datos es preferible a un nmero inferior. En este sentido, si el investigador tiene la posibilidad de trabajar con datos mensuales de las variables
dependiente e independiente, debe utilizar estos en preferencia al uso de datos anuales. Esto no es en modo alguno cierto, debido al menos a dos consideraciones.
Errores de medida Por un lado, las variables econmicas, especialmente si son
de carcter financiero, tienen un nivel de volatilidad potencialmente importante,
por lo que cada dato frecuente que se publica (digamos que mensual) recoge, no
slo la evolucin subyacente o verdadera de la variable que se observa, sino tambin el componente de volatilidad en la misma. esto quiere decir que, al observar
una variable cada mes, los datos tienen un componente de naturaleza errtica,
es decir, puramente aleatorio o impredecible, que puede venir sucedido por un
compoenente de igual naturaleza, pero signo opuesto, al mes siguiente. En consecuencia, si slo observramos el dato trimestral, que se forma bien mediante un
promedio de los trimestrales, (si la variable es un stock), o acumulando lo tres
datos mensuales correspondientes a dicho trimestre (si la variable es un flujo), una
buena parte de los componentes errticos habr desaparecido por compensacin,
y el dato trimestral sera, muy posiblemente, ms fiable, que los tres datos mensuales. Algo similar puede decirse en cuanto a observar datos trimestrales o anuales.
Esta observacin est detrs de la sensacin que muchas veces se tiene al asistir
a la divulgacin en los medios de comunicacin de un nuevo dato mensual de expectativas de empresarios, inflacin, etc.. No es extrao asistir, en variables tan
importantes, a un dato mensual aparentemente positivo sigue que se interpreta
como negativo, quiz uno siguiente positivo, etc.. De este modo, la avalancha de
datos frecuentes genera una incertidumbre que podra evitarse en cierta medida
si, aun recogiendo datos mensualmente, se evaluaran slo con menos frecuencia.
Esto tiene implicaciones cuande se trata de caracterizar la relacin que existe
entre variables. Si, por ejemplo, estamos interesados en analizar el modo en que

27

las expectativas de los empresarios acerca de la demanda futura incide en sus

decisiones de inversin, la presencia de los componentes errticos en los datos que
se publican nos llevara a estimar un modelo,
inversi
ont = 0 + 1 exp ectativast
donde,
inversi
ont = inversi
ont + t

exp ectativast = exp ectativast + t

siendo t , t , los componentes errticos a los que nos hemos referido, que supondremos no relacionados, Corr(t , t ) = 0. Incluso si Corr(inversi
ont , exp ectativast )
es elevada, la presencia de t , t , har que, generalmente, Corr(inversi
ont , exp ectativast )
sea inferior a Corr(inversi
ont , exp ectativast ), proporcionando un ajuste pero del
que habramos tenido en ausencia de dichos componentes errticos. Como consecuencia de que slo podemos utilizar en la regresin las medidas inversi
ont , exp ectativast ,
quiz incluso tengamos una estimacin del coeficiente 1 no significativa, debido
a la prdida de precisin en su estimacin.
Ejercicio de simulacin Otra posibilidad sera examinar los datos mensuales a la luz de una referencia temporal adecuada.
La frecuencia en las relaciones estructurales Otra razn por la cual no es
necesariamente preferible utilizar datos ms frecuentes que menos re refiere a la
propia naturaleza de la relacin que se est tratando de medir. Por ejemplo, consideremos la importante relacin existente entre crecimeinto monetario e inflacin.
Ningn economista duda de que tal relacin exista; algunos, incluso defienden la
idea de que la inflacin es puramente un fenmeno monetario, estando completamente determinada, por tanto, por la tasa de creciemitno de la cantidad de dinero.
Otros economistas no llegan tan lejos, pero aceptan que hay una relacin positiva
entre creciemitno moentario e inflacin; precisamente contrastar si dicha relacin
es ms o menos estrecha, o si un mayor crecimiento monetario se transmite completamente (es decir, con coeficiente 1 = 1) a una mayor inflacin, puede ser la
motivacin para estimar un modelo,
inf laci
ont = 0 + 1 crecimiento monetario + ut
28

Ahora bien, verdaderamente creemos que un mayor crecimiento monetario

en marzo, por ejemplo, genera una mayor inflacin en dicho mes? Muy pocos
economistas suscribiran tal concepto. Mucha mayor uniformidad de pareceres
encontraramos en cuanto a creer que observado ao a ao, mayor crecimiento
monetario viene asociado con mayor inflacin, mientras que un ao en que se
instrumenta una poltica monetaria ms restrictiva, definida por una reduccin
del crecimiento monetario, es un ao de inflacin menor. Es decir, la proposicin
conceptual que relaciona positivamente crecimiento monetario e inflacin es una
proposicin referente al medio o largo plazo.
Incluso con datos anuales surgir, lgicamente, la cuestin de si un menor crecimeinto monetario conduce a una menor inflacin ese mismo ao, el ao siguiente,
o en ambos. Esta ser una cuestin que puede discutirse mediante los procedimientos economtricos y los contrastes estadsticos adecuados, y que conduce a
una investigacin siempre interesante. Pero sta es la perspectiva adecuada: en
modo alguno tiene sentido pensar que las fluctuaciones que, mes a mes, experimenta el crecimiento monetario se corresponden con las fluctuaciones mensuales
que se observan en la tasa de inflacin. este tipo deinvestuigaciones, con datos
mensuales, estn condenados al fracaso; incluso si estadsticamente detectsemos
una relacin positiva, deberamos estar dispuestos a calificarla de esprea, en el
sentido de no ser la relacin estructural que cualquier economista estara dispuesto
a admitir entre crecimiento monetario e inflacin.
Este ejemplo no debe sino sugerir que las proposiciones econmicas tericas
no dicen nada acerca de cul es la frecuencia en la que se cumplen, y no debemos
en modo alguno inferir que una proposicin terica debe cumplirse en todo tipo
de datos. Por el contrario, cuando nos proponemos examinar empricamente una
proposicin terica, hemos de pensar cuidadosamente acerca de la frecuencia de
datos en que esperamos que sta se manifieste, y ello debe determinar el tipo de
datos a utilizar. El posible cumplimiento de la proposicin puede apreciarse en
datos de una frecuencia pero no en datos de frecuencia diferente.
Estructura dinmica de una relacin y frecuencia de observacin de
los datos Un aspecto relacionado se refiere a las caractersticas dinmicas de
la relacin que se est tratando de estimar: supongamos que existe una relacin
entre variables econmicas que tarda un mes en manifestarse. As, con datos
mensuales, un modelo apropiado sera,
yt = 0 + 1 xt1 + ut
29

afirmando en este caso que la relacin es dinmica, por cuanto que no se

manifiesta contemporneamente, esdecir, durante el mismo mes. De acuerdo con
este modelo, un incremento en xt tendera a conducir a un valor ms elevado de yt
pero no este mes, sino al mes siguiente. Supongamos ahora que slo disponemos
de datos trimestrales: por ejemplo, el dato del primer trimestre ser, para ambas
variables, el promedio de los datos de enero, febrero y marzo, tenindose las
relaciones,
yf ebrero = 0 + 1 xenero + uf ebrero
ymarzo = 0 + 1 xf ebrero + umarzo
Aunque yenero no est relacionado con xenero , xf ebrero , o xmarzo , las relaciones
existentes entre yf ebrero , ymarzo y xenero , xf ebrero son suficientes para que los datos
del primer trimestre de ambas variables,
yprimer

trimestre

yenero + yf ebrero + ymarzo

, xprimer
3

trimestre

xenero + xf ebrero + xmarzo

3

estn relacionados. Sin embargo, debe apreciarse que la relacin ser entre
lso datos de x e y correspondientes ambos al primer trimestre. En consecuencia,
una relacin que con datos mensuales tena una naturaleza dinmica, pasa a ser
estrictamente contempornea con datos triemstrales.
As, es importante recordar que algunas de las propiedades de una relacin
economtrica dependen de la frecuencia de observacin de los datos, no siendo,
por tanto, propiedades de carcter absoluto de la relacin entre x e y.

6. Contrastes de hiptesis en el modelo de regresin lineal

simple
Como se ha comentado anteriormente, tres son las finalidades posibles que se
derivan de la estimacin de un modelo economtrico: a) la posibilidad de contrastar hiptesis econmicas tericas alternativas, b) la prediccin de los valores
futuros de la variable dependiente
6.1. Significacin estadstica versus precisin
Uno de los contrastes ms habituales tras estiamr un modelo de regresin se refiere a la hiptesis del tipo H0 : = 0, con la que el investigador se pregunta si la
30

variable asciada a dicho coeficente tiene un impacto significativo sobre la variable

dependiente, cuyo comportamiento se pretende explicar. No debemos olvidar que
con ello, lo que estamos contrastando es si dicho impacto es estadsticamente significativo, y tratando de identificar dicha caracterstica con la existencia de un efecto
estructural significativo de la variable explicativa sobre la variables dependiente.
Pues bien, ya hemos visto que la manera de resolver el contraste de dicha
hiptesis consiste en utilizar el test t de Student, que en el caso de la hiptesis de
significacin adopta la forma,

DT ()

tT k

donde T k denota el nmero de grados de libertad del modelo de regresin,

definido como la diferencia entre el nmero de observaciones utilizado en la estimacin del mismo y el nmero de coeficientes estimados. Por tanto, para decidir
acerca de la hiptesis nula de significacin de un coeficiente , se construye el
cociente entre la estimacin numrica de dicho coeficiente y su desviacin tpica
estimada, y se compara con el umbral crtico de la distribucin tT k al nivel de
significacin escogido de antemano.
La prctica habitual consiste en concluir que la variable explciativa x no es
relevante para explicar el comportamiento de la variable y si el valor numrico de
su estadstico t de Student es inferior al nivel crtico proporcionado por las tablas
de dicha distribucin al nivel de significacin deseado. Que la comparacin se
establezca en trminos del valor absoluto del estadstico muestral o no depende
de que el contraste sea de una o dos colas, lo cual depende a su vez de la forma
que adopte la hiptesis alternativa, segn sea sta H1 : 6= 0, o adopte alguna de
las formas H1 : < 0, H1 : > 0.
La forma que adopta este contraste sugiere de modo bastante evidente que el
estadstico t puede ser inferior al umbral crtico de la distribucin de referencia
a) bien porque el valor estimado sea pequeo incluso cuando se tie en cuenta
el rango de variacin de la variable asociada, o b) porque, aun siendo suficiente
como para generar un impacto cuantitativo apreciable de x sobre y, dicho valor
numrico se estima con poca precisin, es decir, con una desviacin tpica elevada.
Mientras el primer caso corresponde a una situacin en la que querramos concluir
que, efectivamente, la variable x no es relevante para explicar y, en el segundo
caso, tal conclusin sera errnea; lo que est sucediendo en este caso es nicamente
que la muestra disponible no nos permite asignar un valor numrico concreto al

31

coficiente asociado, a pesar de que la variable x es un factor explicativo relevante

de la variable y.
A pesar de sus importantes implicaciones para el contraste de hiptesis estadsticas, esta discusin se ignora con demasiada frecuencia en el trabajo emprico. Su
importancia deriva de que, como hemos ido revisando con anterioridad, existen
distintas razones que pueden implicar una prdida de precisin en la estimacin
puntual, con independencia del contenido informativo que la variable x tiene sobre y. Por ejemplo, aparece una prdida de precisin apreciable cuando el valor
numrico del coeficiente ha variado a lo largo del intervalo muestral [Recurdese
el ejercicio de simulacin XXX]. en distintos puntosEsta se
numricamente de Con mucha frecuencia se ignora
6.1.1. Se hace una variable ms o menos significativa?
6.1.2. Cmo puede discutirse qu variable es ms relevante en una
regresin?
mayor valor numrico
mayor estadstico t

7. Correlacin versus causalidad

8. Variables no estacionarias
La no estacionariedad de las variables involucradas en una regresin es uno de
las situaciones que requiere una consideracin ms cuidadosa en el anlisis de
regresin. La ausencia de estacionariedad se produce con mucha frecuencia en
variables econmicas; adems, como vamos a ver, sus implicaciones en la estimacin de modelos de regresin pueden ser bastante negativas e importantes. Por
ltimo, su deteccin y tratamiento no son siempre evidentes.
8.1. Caractersticas de una variable estacionaria
Una variable estacionaria tiene generalmente varianza finita (salvo que obedezca
a una distribucin que como la Cauchy, carece de este momento); ms precisamente, su varianza no cambia con el paso del tiempo y, desde luego, no tiende a
infinito. una perturbacin transitoria sobre una variable estacionaria tiene efectos
32

puramente transitorios; pueden durar varios perodos, pero sus efectos terminan
desapareciendo. Los valores sucesivos de su funcin de auocorrelacin convergen
rpidamente hacia cero, excepto quiz en los retardos de carcter estacional. la
serie temporal correspondiente a una variable estacionaria no deambula durante
perodos largos de tiempo a un mismo lado de su media muestral, sino que cruza
frecuentemente dicho nivel medio. El nmero medio de perodos que transcurre
entre dos cruces consecutivos del nivel medio muestral es pequeo.
Por el contrario, una perturbacin de carcter transitorio sobre una variable
no estacionaria tiene efectos permanentes. La funcin de autocorrelacin de una
variable no estacionaria converge a cero muy lentamente, y su serie temporal
muestra claramente largos perodos de tiempo en que deambula sin cruzar su
nivel medio.
8.2. Tendencias deterministas y tendencias estocsticas
La ausencia de estacionariedad en variables econmicas puede reflejarse mediante
la presencia de tendencias estocsticas o de tendencias deterministas en los precios
de mercado, a travs de volatilidad cambiante en el tiempo, etc.. Una tendencia
estocstica es un componente estocstico cuya varianza tiende a infinito con el
paso del tiempo. Una tendencia determinista es una funcin exacta del tiempo,
generalmente lineal o cuadrtica, lo que hace que el valor de la variable crezca o
disminuya constantemente; si la tendencia es lineal, la variable tender a ms o
menos infinito; si la tendencia es cuadrtica o de orden superior, la variable puede
estar acotada.
Si una variable presenta una tendencia determinista lineal, su valor esperado
tender a aumentar o disminuir continuamente, con lo que ser imposible mantener el supuesto de que la esperanza matemtica de la sucesin de variables
aleatorias que configura el proceso estocstico correspondiente a dicha variable,
es constante. En consecuencia, tampoco podr mantenerse que la distribucin de
probabilidad de dichas variables es la misma a travs del tiempo. Sin embargo, si
efectuamos una correcta especificacin de la estructura de dicha tendencia, podr
estimarse y extraerse del precio, para obtener una variable estacionaria, que no
presentara las dificultades antes mencionadas.
Mayor dificultad entraa el caso en que una variable precio incluye una tendencia estocstica pues, en tal caso, su esperanza y varianza no estn definidas.
La presencia de una tendencia estocstica requiere transformar la variable, generalmente en primeras diferencias temporales, o tomando las diferencias entre las

33

observaciones correspondientes a una misma estacin cronolgica, en el caso de

una variable estacional. La transformacin mediante diferencias resulta bastante
natural en el anlisis de datos financieros, por cuanto que la primera diferencia
del logaritmo de un precio, en logaritmos, es la rentabilidad del activo, loq ue hace
que la transformacin logartmica sea utilizada muy frecuentemente.
Como prcticamente ningn precio o ndice financiero es estacionario, el uso
indiscriminado de un estadstico como la varianza o la desviacin tpica como
indicador de riesgo conduce a medidas de volatilidad sesgadas al alza. Consideremos un modelo muy popular en el anlisis de mercados financieros, el camino
aleatorio:
yt = + yt1 + t , t = 1, 2, ...
que evoluciona a partir de un valor inicial y0 dado, donde t es un ruido
blanco: sucesin de variables aleatorias, independientes, con media constante (que
suponemos cero), y varianza asimismo constante 2 . Mediante sucesivas sustituciones, este proceso puede escribirse, de modo equivalente:
yt = y0 + t +

t
X

s=1

En consecuencia, un camino aleatorio yt tiene varianza creciente en el tiempo:

V ar(yt ) = t 2
Ello se debe a que el ltimo sumando en la representacin anterior es un
ejemplo de tendencia estocstica. Cuanto mayor sea el nmero de observaciones
consideradas, mayor ser la varianza muestral del camino aleatorio: un camino
aleatorio tiene menor varianza a lo largo de una hora que a lo largo de un da, a
lo largo de un da que a lo largo de una semana, etc..
Esto es lo que ocurrir con la inmensa mayora de los precios cotizados en los
mercados financieros. Aunque la presencia de tendencias estocsticas se produce
generalmente junto con estructuras ms complejas que la de un camino aleatorio,
la implicacin acerca de una varianza creciente con el tiempo se mantiene cuando
se aaden a sta componentes autoregresivos o de medias mviles para yt . Para
evitarlo, caracterizamos la volatilidad de un mercado o de un activo analizando
el comportamiento de la rentabilidad que ofrece a lo largo del tiempo, no de su
precio o cotizacin.
34

En el ejemplo anterior, de un camino aleatorio, la tendencia estocstica aparece

debido al coeficiente unitario del retardo de yt en la ecuacin que explica el comportamiento de esta variable, por lo que una tendencia estocstica se conoce asimismo
como una raz unitaria. Con ms generalidad, recordemos que por la descomposicin de Wald, todo proceso estacionario acepta una representacin autoregresiva,
quiz de orden infinito,
yt = 0 +

j ytj = (L) yt

s=1

donde L denota el operador de retardos, definido como Lj yt = ytj. SiQobtenemosQ

las races de dicho polnomio de retardos, podremos escribir, (L) = pi=1 (1
ai L) qj=1 (1 bj L cj L2 ), donde los ltimos factores tienen como races dos
nmeros complejos conjugados. una raz unitaria es un factor del primer tipo, con
ai = 1. En el lenguaje estadstico, se dice que el proceso yt tiene una raz unitaria.
Si el proceso yt siguiese una estructura dependiente de su pasado, pero del
tipo:
yt = 0 + 1 yt1 + t t = 1, 2, ..., 1 < 1 < 1
sus propiedades seran bastante distintas, con:
t

X
1 t1
yt = 0
+ s1 y0 +
ts
1 s
1 1
s=1
y si consideramos que el proceso ha durado infinitos perodos,
E(yt ) =

0
2
; V ar(yt ) =
1 1
1 21

estaran bien definidas, son constantes, y el proceso es estacionario. Este proceso se denomina proceso autoregresivo de primer orden y en l hay que distinguir
entre momentos incondicionales, cuyas expresiones analticas acabamos de calcular en el caso de esperanza matemtica y varianza, y momentos condicionales.
donde suponemos que ut es un proceso sin autocorrelacin (correlacin temporal consigo mismo). Es decir, Corr(ut , utk ) = 0 k.
En estas condiciones, si ut sigue una distribucin Normal ut N(0, 2u ), entonces yt sigue una distribucin
35

yt N (

0
2u
,
)
1 1 1 21

Esta es la distribucin marginal o incondicional, de yt .

Por otra parte, condicional en la historia pasada de yt , sin incluir el dato de
fecha t, la distribu8cin de probabilidad condicional de yt es,
yt N(0 + 1 yt1 , 2u )
que tiene una menor varianza. De hecho, la varianza incondicional de yt es
tanto mayor cuanto ms se acerque el parmetro 1 a 1, creciendo dicha varianza
sin lmite. Sin embargo, la varianza condicional es siempre 2u , con independencia
del valor numrico del parmetro 1 .
La varianza condicional de yt es igual a la varianza de ut , 2u , mientras que la
varianza incondicional de yt es siempre mayor que 2u .
Adems,
E(yt /yt1 ) = 0 + 1 yt1 ; E(yt ) =

0
1 1

Como veremos ms adelante, el concepto de proceso browniano est bastante

ligado al de camino aleatorio. Por tanto, la afirmacin anterior es coherente con
establecer la hiptesis de que la rentabilidad de un determinado activo sigue un
proceso browniano, pero no tanto con efectuar dicha hiptesis sobre su precio.
8.3. Regresin esprea
El problema de la regresin esprea fue analizado por Granger y Newbold (1974),
quienes mostraron la posibilidad de que, en determinadas situaciones, estimaciones mnimocuadrticas de un modelo de regresin lineal que sugieren una estrecha relacin entre variable dependiente y variables independientes, estn reflejando, en realidad, una relacin esprea o ficticia, que en realidad no existe.
Es evidente que tal posibilidad sera extremadamente peligrosa, tanto en la estimacion de coeficientes de imapcto o elasticidades, como en la contrastacin de
hiptesis tericas. Lo que suele ignorarse con demasiada frecuencia es que las
condiciones para que una regresin sea esprea se dan con mucha frecuencia en
la investigacin aplicada en Economa, en general, y en Finanzas, en particular.
36

Comenzamos describiendo el tipo de dificultades a que puede dar lugar la

ausencia de estacionariedad de las variables dependiente e independiente en un
modelo de regresin lineal. Para ello, pensemos en el siguiente ejercicio: comenzamos simulando dos ruidos blancos independientes, xt , yt , t = 1, 2, ..., T, a partir
de distribuciones de probabilidad Normal, con esperanza matemtica x , y (por
ejemplo, iguales a cero) y varianzas 2x , 2y ; el coeficiente de correlacin muestral
entre las series temporales resultantes ser, por construccin, muy reducido, si
bien no exactamente igual a cero.
Nota: Cuanto mayor sea el tamao muestral, ms probable es que dicha correlacin sea igual a cero, debido a que la correlacin muestral, es decir, la correlacin entre las dos series temporales simuladas es, por la ley de los grandes
nmeros, un estimador consistente de su anlogo poblacional, que es el coeficiente
de correlacin terico entre los dos procesos xt , yt , que es igual a cero. Por tanto,
al aumentar T , la distribucin de probabilidad del coeficiente de correlacin muestral se concentra alrededor de cero.
El grfico de ambas variables presentar una pauta oscilando alrededor de
su media muestral que, por la misma razn apuntada para el coeficente de correlacin, sern prximas, si bien no iguales, a x , y . Observaremos que cada
serie temporal cruza repetidamente su nivel medio. Si estimamos una regresin
del tipo:
yt = 0 + 1 xt + ut , t = 1, 2, ..., T
deberamos obtener una estimacin de 1 no significativamente diferente de
cero, y un R2 prcticamente nulo. En efecto, salvo por el error estadstico, as
ocurre cuando llevamos a cabo un ejercicio de simulacin de Monte Carlo: al 95%
de confianza, el habitual contraste tipo t rechazar la hiptesis nula de ausencia
de capacidad explicativa de xt H0 : 1 = 0 aproximadamente en un 5% de
los casos, y el valor mediana del coeficiente de determinacin R2 para todas las
simulaciones es muy reducido. El trmino constante slo resultara significativo
si en la generacin de las series temporales, hemos utilizado valores diferentes de
x , y .
Este resultado no se ve afectado significativamente en ningn otro sentido por
la presencia de tales trminos constantes, ni tampoco por cambios en el valor
de las respectivas varianzas. Al variar el valor relativo de 2y / 2x tan slo se
observa un comportamiento algo errtico del tamao del contrate de significacin
del parmetro 0 . En definitiva, en esta primera parte del ejercicio tendremos el
37

resultado que esperaramos: una regresin no significativa, excepto en lo relativo

al nivel escogido para el contraste.
8.3.1. Regresin esprea bajo tendencias deterministas
A continuacin, aadimos una tendencia lineal determinista a cada una de ellos,
yt = at + yt
xt = bt + xt
donde a y b son constantes arbitrarias y t es una tendencia determinista, es
decir, una variable que aumenta cada perodo en una cantidad constante, .
Si calculamos el coeficiente de correlacin muestral entre xt e yt , apreciaremos
que es elevado. Esto es sorprendente porque, como muestran las expresiones
anteriores, cada variable es la suma de un componente de naturaleza determinista,
que no experimenta ninguna fluctuacin aleatoria, y un segundo componente de
naturaleza estocstica. El coeficiente de correlacin debera indicar la asociacin
estadstica entre ambas variables, que es lo mismo que la asociacin entre sus
componentes estocsticos, es decir, entre sus innovaciones. Pero dicha correlacin
debera ser, por construccin, prcticamente igual a cero, en contra del resultado
que se obtiene cuando se lleva a cabo este ejercicio de simulacin. En todo caso,
tal elevada correlacin no refleja ninguna relacin real entre las variables, por lo
que se denomina correlacin esprea.
Como consecuencia de la misma, si se estima una regresin lineal, tomando
cualquiera de estas variables como variable dependiente y la otra como independiente,
yt = 0 + 1 xt + vt , t = 1, 2, ..., T
los resultados cambian sustancialmente: se obtiene un R-cuadrado elevado
pues, como ya sabemos, es igual al cuadrado del coeficiente de correlacin entre
ambas variables, a la vez que una pendiente 1 aparentemente significativa, de
acuerdo con el criterio habitual de utilizar su estadstico tipo t-Student. Ambas
cosas ocurrirn en un elevado porcentaje de las simulaciones que realicemos, para
distintas series temporales de xt , yt , t = 1, 2, ..., T. Por consiguiente, creeramos
que la capacidad explicativa de la variable xt sobre yt es muy importante. Este
resultado es sorprendente, por cuanto que las variables yt , xt tienen la misma
38

estructura estocstica que xt , yt , por lo que ambas relaciones deberan proporcionar resultados anlogos. Esta apariencia ficticia de capacidad explicativa es lo
que se conoce como regresin esprea.
El grado de correlacin observado entre yt , xt depende de dos factores: la
similitud entre las constantes a y b, y la relacin entre ambas y las desviaciones
tpicas de los ruidos blancos originales, xt , yt . Si, por ejemplo, fijamos el valor
numrico de b en b = 1, y vamos tomando en cada ejercicio de simulacin valores: a = [0, 1; 0, 5; 0, 9; 1; 3; 10; 100] el coeficiente de determinacin resultante,
R2 aumenta montonicamente con el valor de a. Es decir, la mayor correlacin
no se obtiene cuando hay a ambos lados de la igualdad la misma pendiente, lo
que equivaldra a utilizar a = 1, sino que dicha correlacin aumenta con a. Esto
se debe a que, segn aumenta a, cada vez hay ms tendencia determinista en
yt , en el sentidod e ques sta predomina sobre el componente estocstico yt , y
dicha tendencia determinista puede explicarse muya decuadamente mediante el
componente anlogo de xt .
8.3.2. Regresin esprea bajo tendencias estocsticas
En su trabajo pionero, Granger y Newbold (1974) trataron el problema de no
estacionariedad producido por la presencia de tendencias estocsticas o races
unitarias. Para ello, realizaron el siguiente ejercicio: a partir de la simulacin de
dos ruidos blancos independientes que tendrn, por construccin, como antes, un
coeficiente de correlacin muestral muy reducido, aadieron una raz unitaria o
tendencia estocstica a cada uno de ellos,
yt = yt1 + yt
xt = xt1 + xt
obteniendo que el coeficiente de correlacin entre xt e yt era muy prximo a
la unidad. Esto es sorprendente, por cuanto que, a partir de condiciones iniciales
conocidas, los valores de ambas variables en cada instante de tiempo pueden
escribirse como,
yt = y0 +

t
X

ys

s=1

que indican que la evolucin temporal de cada una de las variables se debe a la
acumulacin temporal de sus innovaciones. Por tanto, la naturaleza estocstica de
39

cada variable est totalmente determinada por la naturaleza de sus innovaciones.

Si xt y yt son independientes, entonces tambin deberan serlo xt e yt , en contra
de los valores obtenidos para sus coeficientes de correlacin muestrales en repetidas
simulaciones. En todo caso, nuevamente, tal elevada correlacin no refleja ninguna
relacin real entre las variables, por lo que se denomina correlacin esprea.
Si estimamos una regresin lineal entre estas variables, en cualquier orden, tendremos de nuevo un R-cuadrado elevado y una pendiente significativa, de acuerdo
con el criterio habitual de utilizar su estadstico tipo t-Student, pero la evidencia
de capacidad explicativa proporcionada por esta regresin sera esprea.
Si las series temporales obtenidas mediante simulacin para las innovaciones o
ruidos blancos xt y yt tuviesen correlacin distinta de cero, las variables xt e yt
de los ejemplos anteriores mostraran correlaciones muestrales similares a las que
se encuentran en los ejercicios de simulacin descritos. En ese caso, los elevados
coeficientes de correlacin no seran tan engaosos, si bien seran numricamente
ms altos de lo que la correlacin entre xt e yt hara esperar.
En un ejercicio de simulacin como el descrito, Granger y Newbold encontraron una frecuencia aproximada de rechazos de la hiptesis nula H0 : 1 = 0 del
76%. La frecuencia de rechazos de la capacidad explicativa global de la regresin
se eleva muy significativamente al aumentar el nmero de variables explicativas
independientes con estructura de ruido blanco. Nuevamente los coeficientes de
determinacin son muy elevados, lo que sorprende, pues realmente, xt no explica
apenas a yt . El estadstico de Durbin-Watson habitualmente utilizado para contrastar ausencia de autocorrelacin se reduce hacia cero, por lo que la combinacin
de este hecho con un elevado R2 suele utilizarse como indicio de una regresin esprea.
Ejercicio de simulacin
En espureo.xls se han generado dos series temporales correspondientes a una
poblacin Normal N(0,1). El generador de nmeros aleatorios de Excel produce
observaciones independientes entre s, por lo que ambas series temporales se obtienen asimismo de manera independiente. La correlacin poblacional entre ellas
es cero, si bien la correlacin muestral, al final de ambas variables, es de 0,0278.
Tampoco la media y desviacin tpica muestrales de cada variable son exactamente 0 y 1, como sus valores tericos, si bien no difieren mucho de ellos. El
coeficiente de asimetra terico, as como el exceso de curtosis (respecto de 3.0,
que es la curtosis de toda poblacin Normal), deberan ser ambos igual a cero lo
que, nuevamente, ocurre slo con carcter aproximado.
40

En regresion_ori se presentan los resultados de estimar una regresin entre

las variables originalmente obtenidas por simulacin, la primera de ellas actuando
como variable dependiente, la segunda como variable explicativa. El coeficiente
de determinacin es el cuadrado de su coeficiente de correlacin y, por tanto,
muy reducido. La estimacin del coeficiente asociado a la variable explicativa
aparece como no significativamente diferente de cero, de acuerdo con el estadstico
t habitual. El grfico que presenta el ajuste de la recta a la nube de puntos muestra
un lnea sin apenas pendiente, y una nube de puntos bastante circular. Ambos
hechos reflejan una escasa correlacin: una pendiente no significativa sugiere que
la variable explicativa puede cambiar de valor sin que la variable dependiente
cambie; una nube de puntos circular muestra que el rango de valores de cada una
de las dos variables asociado a un valor determinado de la otra es muy amplio. En
consecuencia, un valor numrico de cualquiera de ellas apenas nos informa acerca
del valor de la otra variable. Esta es la manifestacin de la ausencia de correlacin
entre ambas.
Lo contrario ocurre al estimar una regresin lineal entre las variables [regresion_tend], una vez que se ha aadido una tendencia determinista a cada una de
ellas. Para ello, en la hoja Datos se han generado dos nuevas variables, sumando
una tendencia lineal a la variable Y, y 0,6 veces la misma tendencia lineal a la
variable X. Los estadsticos muestrales que aparecen al pie de dichas variables
carecen de justificacin estadstica, como comentaremos en una seccin posterior.
Aunque el componente estocstico en ambas variables es el mismo de antes, la
nuebe de puntos entre ambas tiene un perfil totalmente distinto, siendo prcticamente una linea recta. Esto se debe a que el componente tendencial predomina
sobe el estocstico; como consecuencia, la regresin estimada entre ambas variables muestra un coeficiente de determinacin muy prximo a la unidad. Lo
que es quiz ms preocupante, es que la pendiente estimada en dicha regresin,
que es sustancialmente ms elevada que la estimada con las variables originales,
aparece como claramente significativa, sugiriendo una importante capacidad explicativa a la variable independiente, contrariamentea lo que detectamos en la
primera regresin. Aqu cabe discutir si este es un resjultado razonable: podra
argumentarse que ambas variables tienen un componente tendecial importante y
que, en ese sentido, no es sorprendente que el coeficiente de determinacin entre
ambas sea elevado. Es cierto, pero slo refleja la relacin entre los componentes
deterministas, que no son los que deben concentrar la atencin del analista: si hay
componentes deterministas en las variables dependiente y explicativas, el analista
debera indagar las razones que explican la presencia simultnea de tales elementos
41

en las variables. Esta sera uno de los elementos del anlisis; el segundo consistira
en evaluar la relacin entre los componentes estocticos en variables dependiente
y explicativas; ste elemento es importante, pues nos proporciona informacin acerca del impacto que sobre la variable dependiente puede tener una intervencin
sobre alguna de las variables explicativas, o una alteracin exgena en su valor
numrico. La dificultad con la regresin anterior estriba en que si no se lleva a
cabo este anlisis por componentes, el examen mecnico de los resultados de la regresin sugerira que la variable dependiente reacciona a fluctuaciones inesperadas
en la variable explicativa, cuando no es as; tal conclusin sera un error.
Posteriormente, hemos mantenido los mismos elementos tendenciales de ambas
variables, pero hemos incrementado de manera apreciable el componente aleatorio
en ellas. Siendo tales componentes variables aleatorias de esperanza matemtica
igual a cero, su tamao queda representao por su desviacin tpica, que era unitaria
para ambas en las regresiones anteriores. En la hoja Datos hemos generado otras
dos variables con desviaciones tpicas 20 y 30; la correlacin entre ellas desciende, si
bien no de manera dramtica, situndose en 0,9349. Por ltimo, hemos mantenido
estos compoenntes estocsticos, pero reduciendo el incremento perodo a perodo
de la tendencia, que pasa de ser 1,0 a ser ahora 0,10. El coeficiente de correlacin
entre ambas variables se reduce ahora a 0,2446; la regresin entre ambas variables
todava muestra una pendiente significativamente diferente de cero de acuerdo
con el uso habitual del estadstico t, pero de manera menos evidente que antes;
el coeficiente de determinacin es iguala 0, 24462 = 0, 0598, bastante reducido.
El grfico que muestra la nube de puntos, junto con la recta ajustada, ilustra la
dificultad de precisar la pendiente de la recta que mejor se ajusta a dicha nube
de puntos, es decir, la dificultad de estimar con precisin dicha pendiente.
8.4. Tratamiento de tendencias deterministas
De las dos situaciones descritas en el apartado anterior, es algo ms sencilla de
tratar la presencia de tendencias deterministas, cuando se anticipa correctamente
que la presencia de las mismas es la nica causa de no estacionariedad de las variables que se pretende relacionar, es decir, cuando las variables tienen estructura,
yt = 0 + 1 t + yt
xt = 0 + 1 t + xt

(8.1)
(8.2)

Para ello, hay dos posibilidades: la primera consiste en incorporar en el modelo

de regresin una tendencia determinista lineal como variable explicativa,
42

yt = + t + xt + ut
(8.3)
en la que el coeficiente estimado y su desviacin tpica sern, aproximadamente, los mismos que habramos estimado en la regresin,
yt = 0 + 1 xt

(8.4)

Esto significa que si ambas innovaciones son independientes, en la regresin

(8.3) se tendr un coeficiente reducido en magnitud, y estadsticamente no significativo, en trminos de su estadstico t de Student.
Esto es distinto del resultado que se obtiene en la estimacin de la regresin
habitual,
yt = + xt + ut

(8.5)

cuando las variables tienena estructura (8.2), (8.1), en la que se tendra un Rcuadrado muy elevado, una estimacin numrica de relativamente elevada, y un
estadstico t para dicho coeficiente, claramente por encima de 2,0 en valor absoluto,
sugiriendo que la capacidad de xt para explicar yt es significativa, contrariamente
a lo que, en realidad, ocurre.
La dificultad con el procedimiento que hemos sugerido es que todava mantendr un R-cuadrado muy elevado, debido a la capacidad explicativa que el trmino
t tiene sobre yt , debido a la presencia de una tendencia determinista en esta
ltima variable. este trmino aparecer como claramente significativo, con un
estadstico t muy elevado.
La diferenciacin elimina asimismo las tendencias deterministas, como fcilmente puede comprobarse algebraicamente. De este modo, si el precio de un
determinado activo tiene una tendencia temporal determinista lineal, su primera
diferencia estar libre de dicha tendencia. Un proceso con una tendencia determinista cuadrtica sigue trayectorias con formas parablicas, cncavas o convexas.
Su primera diferencia presentar una tendencia lineal, mientras que su segunda
diferencia estar libre de tendencia. Un proceso con una tendencia determinista representada por un polinomio de grado tres puede tener ciclos. La primera
diferencia de este proceso tendr una tendencia cuadrtica.
Como ejemplo, consideremos:
yt = 0 + 1 t + 2 t2 + t
cuya primera diferencia es:
43

yt = yt yt1 = ( 1 2 ) + 2 2 t + (t t1 )
y su segunda diferencia:
2 yt = yt yt1 = yt 2yt1 + yt2 = 2 2 + (t 2t1 + t2 )
Por tanto, aparentemente, una solucin en el caso en que sospechamos que
puede haber tendencias deterministas en las variables que pretendemos relacionar,
consistira en estimar la posible relacin entre ellas despus de haber tomado
diferencias temporales. Sin embargo, con dicha transformacin perdemos bastante
informacin acerca de las fluctuaciones de corto plazo en las variables, por lo que
los procedimientos anteriormente descritos son ms recomendables.
8.5. Ejercicios de simulacin
Ejercicio 1: Simule 300 observaciones de dos ruidos blancos independientes,
con distribuciones N (x, 2x ), N(y , 2y ), como observaciones muestrales para
las innovaciones xt , yt . A continuacin, genere observaciones para una tendencia determinista t. Los valores numricos para las variables x e y se
obtienen aadiendo la tendencia t, multiplicada por sendas constantes a, b,
a las respectivas innovaciones, para reproducir las estructuras (8.2) , (8.1).
El ejercicio consiste en comparar el coeficiente de correlacin que se obtiene
para xt , yt , que ser muy reducido, con el que se obtiene entre xt e yt , que
debera ser similar, pero ser, sin embargo, muy elevado. En segundo lugar,
deben estimarse regresiones anlogas a (8.4) , (8.5) , (8.3) .
8.6. Tendencias estocsticas y races unitarias
De modo anlogo, un proceso puede tener asimismo varias races unitarias. Los
tipos de inters ya son rentabilidades, por lo que tienen, generalmente, un orden de no estacionariedad (es decir, un nmero de tendencias) menos que las
series de ndices burstiles o de precios de derivados, por ejemplo. En ocasiones,
sin embargo, algunas series de precios son no estacionarias de orden 2 (tienen 2
races unitarias), por lo que incluso las rentabilidades pueden ser no estacionarias,
presentando una raz unitaria.

44

8.7. Contrastes de raz unitaria

Si utilizamos la teora de la cointegracin, comenzaramos llevando a cabo contrastes de raiz unitaria para ambas variables, que detectaran en un 95% de las
simulaciones que ambas variables son I(1).
8.8. Cointegracin
Un vector z de variables de naturaleza I(1) se dicen cointegradas si existe una
combinacinn lineal de las mismas, definida por un vector tal que 0 z es una
variable aleatoria I(0), es decir, estacionaria. Ms generalmente, se dice que un
vector z de variables cuyo mximo orden de integracin es q estn cointegradas
si existe una combinacin lineal de las mismas, definida por un vector tal que
0 z es una variable aleatoria I(p), con p < q. El vector se denomina vector de
cointegracin.
8.8.1. Contraste de cointegracin
Si partimos de variables yt , xt de naturaleza I(1), sus primeras diferencias, yt , xt
son estacionarias. Contrastaramos entonces la cointegracin de yt , xt estimando
una regresin,
yt = 0 + 1 xt + vt , t = 1, 2, ..., T

(8.6)

y contrastando la estacionariedad de los residuos, como propusieron Engle y

Granger (1987). Sin embargo, los niveles crticos para el contraste de esta hiptesis no son los mismos que para el contraste de races unitarias en una variable,
pues ahora, el contraste se lleva a cabo despus de haber estimado el modelo de
regresin (8.6). Esto no es irrelevante: el procedimiento de mnimos cuadrados
busca los valores del espacio paramtrico ( 0 y 1 en la regresin anterior) que
minimizan la varianza del residuo resultante, y ste tiene una varianza infinita
para los valores de 1 que no hacen que las variables estn cointegradas. Por
tanto, si yt , xt estn cointegradas, el mtodo de MCO tender a seleccionar el
valor de 1 que genera residuos estacionarios, es decir, la constante de cointegracin. Aunque esto es lo que pretendemos, ello significa que hay una cierta
tendencia a concluir con ms frecuencia de la que debiramos que las variables
estn cointegradas. en consecuencia, los valores crticos para el contraste de raz
unitaria de los residuos de (8.6) deben ser ms elevados en valor absoluto que los
utilizados para el contraste de raz unitaria habitual.
45

Si los residuos de esta regresin resultan ser estacionarios, decimos que las
variables yt , xt estn cointegradas, siendo (8.6) la relacin de cointegracin entre
ambas. Esta relacin sera el producto 0 z anterior despus de normalizar una
de las coordenadas del vector lo cual, evidentemente, siempre es posible. Se
interpreta como la relacin de largo plazo entre ellas, alrededor de la cual experimentan desviaciones a corto plazo que revierten posteriormente. Es decir, si en
un determinado perodo, yt est por encima del valor numrico de 0 + 1 xt para
ese mismo perodo, generalmente yt crecer por encima de 0 + 1 xt , de manera
que yt+1 tender a acercarse a 0 + 1 xt+1 . En el caso de dos variables yt , xt ,
decimos que 1 es la constante de cointegracin entre ambas.
En el anlisis de simulacin anterior, en el que generamos ambas series temporales a partir de procesos independientes, este contraste nos sugerir en una
mayora de simulaciones que yt , xt no estn cointegradas, lo que aparecer en la
forma de residuos de naturaleza I(1) en (8.6). En tal caso, habramos de estimar
un modelo en diferencias de ambas variables,
yt = 0 + 1 xt + vt , t = 1, 2, ..., T
que arrojar un coeficiente 1 no significativo y un coeficiente de determinacin
muy reducido.
Al contrastar cointegracin, estamos tratando de detectar la posible existencia
de relaciones de largo plazo entre las variables del modelo. En ese sentido, la
naturaleza del contraste sugiere el uso de una datos no necesariamente frecuentes,
y una muestra temporal suficientemente amplia. De lo contrario, predominar en
la muestra, en trminos relativos, la informacin acerca de las fluctuaciones de
corto plazo en las variables, frente a la de su evolucin tendencial, que es lo que
tratamos de detectar. Por tanto, una eleccin inapropiada de la muestra, ya sea
por una frecuencia alta de observacin de los datos, o por el uso de un perodo
muestral no muy amplio, sesgar el resultado del contraste hacia la no deteccin
de relaciones de cointegracin.
Efectuar un anlisis de cointegracin significa relacionar los niveles de variables
como oferta monetaria y precios, y no sus tasas de variacin. Por el contrario,
basar la caracterizacin de la relacin entre variables como las citadas utilizando
coeficientes de correlacin estndar es delicado, pues puede conducir a la deteccin
de regresiones espreas. El concepto de cointegracin generaliza el concepto de
correlacin en la direccin adecuada. La existencia de una tendencia estocstica
comn generara una relacin sostenible a largo plazo entre ambas variables, lo que
har que sus diferenciales reviertan a travs del tiempo, es decir, que sean mean46

reverting. No tiene sentido analizar las relaciones entre los niveles de variables
I(1) si no estn cointegradas.
8.8.2. Contraste de hiptesis sobre la relacin de cointegracin estimada
por mnimos cuadrados
Al estimar la relacin anterior por mnimos cuadrados hay que tener en cuenta
que las propiedades de dicho estimador son vlidas nicamente en el caso de variables estacionarias. Cuando las variables estn cointegradas, el uso de mnimos
cuadrados en la estimacin de la regresin esta justificado estadsticamente, pero
la distribucin de probabilidad del estimador MCO no es la habitual. Por tanto,
aunque el programa de estimacin que utilicemos nos proporcionar las desviaciones tpicas estimadas y los ratios tipo-t de cada coeficiente, estos no son vlidos
en este caso, y no deben utilizarse, por ejemplo, para contrastar hiptesis sobre
los coeficientes de la relacin de cointegracin.
Hay muchos casos, sin embargo, en que el modelo terico sugiere que las variables yt , xt deben estar relacionadas con un determinado valor numrico del coeficiente, por ejemplo, 0 = 1, por lo que el investigador estar interesado en
contrastar dicha hiptesis. Esto puede hacerse por un procedimiento indirecto,
sustituyendo el valor terico de , = 0 en la relacin entre ambas variables.
Ello significa que construimos la variable auxiliar wt = yt 0 xt , y contrastamos
la estacionariedad de esta variable.
Cuando se procede de este modo, es improtante repetir el contraste para valores de 0 en un entorno de 0 , con el objeto de analizar la precisin con que
hemos identificado la constante de cointegracin.
8.8.3. Correlacin y cointegracin
Sin embargo, correlacin y cointegracin no son sinnimos. El problema de correlacin esprea surge entre variables no estacionarias, con independencia de que
estn o no cointegradas, luego puede haber alta correlacin (de hecho, muy elevada) sin cointegracin. Alternativamente, el hecho de que exista una relacin
de largo plazo entre variables no estacionarias no impide que stas experimenten
desviaciones respecto de la misma que, si son de apreciable magnitud, reducirn la
correlacin existente entre dichas variables. Un ejemplo sera la evolucin temporal de la cotizacin de un valor en Bolsa, analizada conjuntamente con un ndice
que lo incluya, ya sea el ndice de mercado, un ndice de los valores ms capitalizados, o un ndice sectorial; dado que todo ndice es un promedio ponderado
47

de las cotizaciones de los valores en l incluidos, cabra esperar que ambas series
temporales estuvieran correlacionadas. Sin embargo, las fluctuaciones que ambos experimentan a corto plazo pueden ser suficientes para que su coeficiente de
correlacin sea reducido.
8.8.4. Variables cointegradas: un ejemplo
Un ejemplo tpico de variables posiblemente correlacionadas pero habitualmente
no cointegradas lo constituye algunos tipos de cambio. A partir de dos variables no estacionarias, pero cointegradas, es sencillo construir dos variabls no
cointegradas, sin ms que aadir en cada perodo a una de ellas, un incremento
no correlacionado temporalmente. Si la varianza de este componente no es muy
grande, mantendremos una correlacin anloga a la inicial, que poda ser elevada;
sin embargo, por construccin, las dos variables no estn cointegradas.
Ejemplo de variables cointegradas es,
xt = x + x wt + xt
yt = y + y wt + yt
wt = wt1 + t
donde zt es la tendencia comn a xt e yt , siendo xt , yt variables aleatorias
N (0, 2x ), N (0, 2y ), sin autocorrelacin. Las variables xt e yt estn cointegradas,
puesto que

y
y
yt y / x xt = y x + yt xt
x
x

que es una variable estacionaria. El vector 1, y / x se denomina vector de

cointegracin, y la combinacin lineal t = yt y / x xt , que es estacionaria, es la
cuanta en la que se incumple la relacin de equilibrio a largo plazo en el perodo
t.
Cuando el vector zt consta de n variables, con n > 2, pueden existir varias relaciones de cointegracin. Esto es lo que sucede, por ejempo, al considerar un vector
de tipos de inters a distinto vencimiento, dentro de un mismo mercado, ya sea el
mercado secundario de deuda pblica, un mercado de swap en una determinada
divisa, etc.. En este caso, el procedimiento de Engle-Granger para estimar vectores de cointegracin es problemtico, pues estimaremos una combinacin lineal
48

de las posibles relaciones de cointegracin existentes entre las variables que componen el vector. De hecho, la estimacin resultante depender de la normalizacin
de coeficientes utilizada en (8.6), a diferencia de lo que ocurre en el caso de dos
variables.
8.8.5. El modelo de correccin de error
Teorema de representacin de Engle y Granger
Este teorema afirma que si dos variables yt , xt de naturaleza I(1),estn cointegradas, sus relaciones dinmicas estn caracterizadas por el modelo de correccin
de error,

yt = y +
xt = x +

m
X

i=1
p
X

y1i xti

x1i xti +

i=1

n
X

i=1
q
X

y2i yti + y t1 + yt

(8.7)

x2i yti + x t1 + xt

i=1

donde t1 denota la desviacin del perodo anterior respecto de la relacin

de equilibrio a largo plazo t1 = yt1 xt1 , siendo el coeficiente de cointegracin entre yt y xt , y es el operador de primeras diferencias. En el modelo
de correccin de error todas las variables son estacionarias, I(0), por lo que las
propiedades habituales del estimador MCO en dicho contexto, son vlidas. Los
trminos y t1 y x t1 se denominan trminos de correccin de error, y han de
aparecer en las ecuaciones anteriores con un determinado signo, que depende del
modo en que se haya definido el desequilibrio t1 . Con nuestra definicin, ha de
tenerse y < 0, x > 0; un valor negativo de y indicar que perodos en que yt es
alto, es decir, superior a xt , tendern a venir seguidos de crecimientos relativamente reducidos de dicha variable. Un valor positivo de x indica que siguiendo
a perodos en que yt es alto, xt tender a experimentar un crecimiento mayor;
la conjuncin de ambos efectos hace que yt+1 tienda a aproximarse a xt+1 . Lo
dual ocurrir tras perodos en que yt haya sido bajo, es decir, inferior a xt . Si
hubiramos normalizado la relacin de cointegracin de otro modo, habrimos
definido el trmino de desequilibrio como t1 = yt1 xt1 , y los signos de los
coeficientes y , x en (8.7) deberan ser entonces los contrarios a los antes descritos.
Es fcil ver, sin embargo, que esto no es preciso: la aproximacin entre ambas variables puede conseguirse asimismo si ambas aumentan o disminuyen simultneamente, pero xt experimenta la mayor variacin. Por tanto, si ambos
49

coeficientes tienen igual signo, x debe ser significativamente mayor que y en

valor absoluto. De hecho, podra ocurrir tambin que slo unos de los dos coeficientes resulte estadsticamente significativo, lo que podra interpretarse en el
sentido de que la variable asociada soporta todo el peso del ajuste hacia la relacin
de equilibrio a largo plazo.
La cointegracin entre variables no lleva aadida ninguna interpretacin concreta en trminos de causalidad entre dichas variables. De hecho, como la relacin
de cointegracion puede normalizarse de distintas maneras, puede presentarse una
apariencia de causalidad en cualquiera de las dos direcciones. El modelo de correccin de error muestra que, en presencia de cointegracin, existe importante
causalidad entre ambas variables, en principio, con carcter bidireccional. Slo
si algunos de los coeficientes del modelo MCE resultan ser estadsticamente no
significativos, podra hablarse de causalidad unidireccional. Si dos variables estn cointegradas, al menos una de ellas causa a la otra; sin embargo, ello podra
tambin reflejar el efecto comn de una tercera variable, no considerada en el
modelo.
Por ejemplo, al trabajar con datos de precios de contado y del futuro sobre un
determinado activo financiero, es habitual hallar un mayor nmero de retardos del
precio del futuro en la ecuacin del contado, que viceversa, lo que sugiere que los
mercados de derivados (en este caso, de futuros), incorporan la nueva informacin
ms rpidamente que los mercados de contado, por lo que los ltimos parecen
responder a fluctuaciones en los primeros. En este tipo de ejemplos, en ocasiones
el trmino de correccin de error resulta no significativo en la ecuacin de precios
del mercado de contado.
Cuando el vector zt incorpora ms de dos variables, y existe ms de una relacin
de cointegracin entre ellas, el modelo de correccin de error adopta una expresin
similar a la antes propuesta. La diferencia estriba en que aparecen retardos de
todas las variables, en diferencias, en todas las ecuaciones, y aparecen tantos
trminos de correccin de error como relaciones de cointegracin en cada una de
las ecuaciones. Dichos trminos sern los valores retardados de dichas relaciones
de cointegracin; la normalizacin esocgida afecta nicamente a la interpretacin
de los valores numricos estimados.
La bsqueda de variables cointegradas abundan en la literatura financiera,
donde trata de caracterizarse las posibles relaciones de equilibrio a largo plazo
entre precios de activos. As, se han analizado las posibles relaciones de cointegracin entre tipos de cambio, entre tipos de inters dentro de una misma estructura temporal, entre mercados de contado y futuro, entre commodities, valoracin
50

de divisas. Tambin se ha utilizado este tipo de anlisis para discutir el grado

de integracin entre mercados de valores o de deuda, si bien parece existir ms
evidencia favorable en el primer tipo de mercados. Este anlisis tiene asimismo
implicaciones para la gestin financiera: en principio, debera ser posible encontrar
una cesta reducida de valores cointegrada con el ndice, lo que podra utilizarse en
la gestin pasiva de carteras. Lo mismo debera ocurrir con un pequeo conjunto
de ndices sectoriales, etc..
8.8.6. El contraste de cointegracin de Johansen
Si consideramos un vector autoregresivo V AR(p),
yt = A1 yt1 + A2 yt2 + ... + Ap ytp + Bxt + t
donde yt es un vector de variables no estacionarias, I(1), xt es un vector
de variables deterministas, y t es unvector de innovaciones. El V AR(p) puede
escribirse,
yt = yt1 +

p1
X

i yti + Bxt + t

i=1

con
=

p
X
i=1

Ai I, i =

p
X

Aj

j=i+1

8.8.7. Aspectos comunes a varias variables temporales: tendencias comunes, volatilidad comn.
8.8.8. Qu hacer en presencia de variables con tendencias estocsticas
(races unitarias)?
De acuerdo con la discusin que hemos llevado a cabo en las secciones anteriores,
el procedimiento a seguir en caso de presencia de races unitarias en las variables
de una regresin lineal simple es claro. Si tanto xt como yt son variables I(1),
es decir, tienen una raz unitaria, entonces el tratamiento que hemos de aplicar
depende de si estn o no cointegradas. Si lo estn, hemos de especificar estimar
un modelo de correccin de error. Si no estn cointegradas, hemos de estimar un

51

modelo en diferencias. En el ejercicio de simulacin descrito, la estimacin de la

relacin en primeras diferencias,
yt = 0 + 1 xt + vt , t = 1, 2, ..., T
arrojar un coeficiente 1 no significativo y un coeficiente de determinacin
muy reducido en la mayora de las simulaciones.
Esto significa, entre otras cosas, que la recomendacin de tratar la no estacionariedad diferenciando las variables, no es correcta. Tal sugerencia es vlida
cuando, existiendo races uniatrias en ambas variables, no estn cointegradas.
Cuando estn cointegradas, el modelo que se estima relaciona las variables en
diferencias, pero incorpora asimismo un trmino de correccin de error.
An as, subsisten algunos matices:
Modelo uniecuacional: como hemos comentado anteriormente, la cointegracin entre variables no dice nada acerca de la posible relacin de causalidad entre ambas. De hecho, de acuerdo con el teorema de representacin de
Engle y Granger, el modelo de relacin entre ambas variables es un modelo
de correccin de error, que es un modelo de dos ecuaciones, una para yt en
diferencias, y otra para xt en diferencias. En ambas aparece el trmino de
correccin de error retardado como una de las variables explicativas, debiendo esperar que tome signo opuesto en cada una de las dos ecuaciones,
segn como se haya definido dicho trmino, por las razones antes expuestas.
Adems de dicho trmino, aparecern posiblemente algunos retardos de las
diferencias, tanto de xt como de yt .
Sin embargo, es prctica habitual utilizar tal representacin para especificar
un modelo de regresin con una nica ecuacin, como proponen Engle y Granger
(19xx). Al actuar as, hemos de interpretar que estamos estimando por separado
tan slo una de las ecuaciones del modelo de correccin de error, lo cual puede
hacernos perder eficiencia en la estimacin, salvo si: a) las innovaciones en las dos
ecuaciones estn incorrelacionadas, o b) las dos ecuaciones tuvieran exactamente
las mismas variables explicativas.
Qu diferencias? Ya sabemos que, en caso de cointegracin, el modelo a
estiamr es una relacin entre las variables xt e yt en diferencias. En muchos
casos, el investigador dispone de observaciones mensuales o trimestrales de
variables como el consumo agregado, el PIB de un pas, la inversin, un
52

agregado monetario, etc. Estas variables tienen, generalmente, una raz

unitaria, por lo que, en caso de querer relacionar dos de ellas, y en presencia
de cointegracin, deberamos estimar un modelo de correccin de error.
Sin embargo, no slo la primera diferencia, es decir, la variacin entre meses
o trimestres sucesivos, yt yt1 , sino la diferencia anual, yt yt4 en el caso de
datos trimestrales, o yt yt12 en el caso de datos anuales, tambin son variables
I(0), es decir, estacionarias. Por tanto, el modelo de correccin de error puede
especificarse en unas u otras diferencias, siempre que seamos consistentes en tratar
tanto xt como yt de igual manera. Y, sin embargo, las propiedades estadsticas
de unas u otras diferencias son bien diferentes; por ejemplo, su volatilidad es
muy distinta. Adems, es perfectamente concebible que la variacin anual (es
decir, la tasa interanual) de inflacin est correlacionada con la tasa internual
de crecimiento monetario, a la vez que las tasas de variacin intermensuales (es
decir, mes a mes) de ambas variables, no muestren una relacin significativa. Por
consiguiente, no sera lo mismo estimar un modelo de relacin,
12 yt yt yt12 = 0 + 1 (xt xt12 ) + (yt1 0 1 xt1 ) + ut
que un modelo,
yt yt yt1 = 0 + 1 (xt xt1 ) + (yt1 0 1 xt1 ) + ut
de los que no cabe esperar resultados comparables. Tampoco debe pensarse
que es sta una cuestin estadstica. Por el contrario, es el propio investigador
quien debe decidir si piensa que la relacin entre las variables se debe a las fluctuaciones que experimentan en perodos breves de tiempo, como un mes, o en
perodos ms amplios, como un ao.

53

9. Matrices de covarianzas no escalares

9.1. Deteccin de la autocorrelacin
9.2. Tratamiento de la autocorrelacin.
9.3. El estimador de mnimos cuadrados generalizados
9.4. Deteccin de la heteroscedasticidad
9.5. Contraste de igualdad de varianza entre submuestras
9.6. Tratamiento de la heteroscedasticidad

10. El modelo de regresin lineal mltiple

Aunque hasta ahora hemos considerado nicamente modelos con una sola variable
explicativa, no hay ninguna razn para restringirse a tal situacin. Adems, en la
mayora de la situaciones, el investigador creer que hay ms de una variable que
condiciona la evolucin del fenmeno que pretende caracterizar. Por ejemplo, es
razonable creer que en la determinacin de los tipos de inters juega un papel la
tasa de crecimiento monetario, pero tambin la tasa de inflacin (o las expectativas
de inflacin futura), e incluso el nivel de endeudamiento.
Sin embargo, el anlisis que hasta ahora hemos presentado es de suma importancia, pues la mayora de las cuestiones se extienden sin mucha dificultad al caso
en que hay varias variables explicativas en el modelo. Hay dos dificultades bsicas
a que nos enfrentamos al estimar un modelo de regresin mltiple: una es la interpretacin de los efectos de una de las variables explicativas separadamente de
las dems. Por otro lado, la posibilidad de que la variable endgena se determine
simultneamente con algunae las variables explicativas es indudablemente mayor
cuantas ms variables explicativas se incluyen en el modelo; esto sera importante,
pues los procedimientos de estimacin que hasta ahora hemos examinado no tendran las propiedades que hemos descrito. Cuando hay determinacin simultnea
de alguna variable explicativa con la variable dependiente del modelo de regresin
uniecuacional, el estimador de mnimos cuadrados es no slo sesgado, sino inconsistente, y esto aplica a los coeficientes de todas las variables explicativas, no slo
aquella que plantea al problema de determinacin simultnea.
La razn por la que trabajamos en muchas ocasiones con modelos de regresin mltiple es sencillamente, porque hay ms de una variable con capacidad
explicativa significativa sobre la evolucin de la variable endgena, yt . Si, en tal
54

situacin, slo explicitamos una de ellas como variables expliactivas, las restantes
estarn incluidas en el trmino de error, con lo que ste recoger, adems de otros
componentes, la evolucin de las variables explicativas omitidas del modelo de
regresin. Con ello, su fluctuacin ser importante, por lo que tendr una varianza notable. La nica manera de reducir dicha varianza del trmino de error es
haciendo explcitas todas las variables potencialmente explicativas.
El investigador nunca tiene convencimiento acerca de la capacidad explicativa de un detemrinado conjunto de variables. Lo que debe hacer es estimar el
modelo con ellas, y proceder a contrastar la significacin de cada una de ellas
por separado, del modo que describimos en este captulo. En este proceso incide
negativamente la dificultad en estimar por separado el efecto de cada una de las
variables explicativas sobre la variable endgena, por lo que no puede sorprender
que dediquemos a este asunto una buena parte del captulo.
Si, queriendo caracterizar la determinacin de tipos de inters, estimamos el
modelo,
rt = 0 + 1 mt + 2 t + ut

(10.1)

en el que aparecen el crecimiento monetario y la tasa de inflacin como variables explicativas. El coeficiente 1 mide el efecto sobre los tipos de inters de
un incremento (o disminucin) unitario en la tasa de expansin monetaria, dada
una determinada tasa de inflacin, es decir, manteniendo la tasa de inflacin constante. Aunque indudablemente esta es una evaluacin interesante, el hecho de
que slo sea vlida en ausencia de variaciones en la tasa de inflacin limita algo
su uso. En todo caso, es claro que junto con este tipo de estimaciones, nos interesara disponer asimismo de una estimacin del efecto que tendra dicha variacin
en el crecimeinto monetario teniendo en cuanta asimismo el impacto que dicha
variacin puede tener sobre la tasa de inflacin.
Podra pensarse que si lo que se pretende es estimar el impacto que sobre los
tipos de inters tiene una variacin unitaria en la tasa de crecimiento monetario,
podemos estimar el modelo de regresin lineal simple,
rt = 0 + 1 mt + vt

(10.2)

Ahora bien, si el verdadero modelo es (10.1), entonces en el modelo (10.2),

la tasa de inflacin forma parte del trmino de error. De hecho, tendramos la
relacin entre los trminos de error de ambas ecuaciones,
vt = 2 t + ut
55

Como consecuencia, en la medida en que crecimiento monetario e inflacin no

son independientes, la variable explicativa mt y el trmino de error vt en el modelo
(10.2) estaran correlacionados,
Corr(mt , vt ) = 2 Corr(mt , t ) + Corr(mt , ut ) = 2 Corr(mt , t ) 6= 0
po lo que el estimador de mnimos cuadrados de (10.2) no tendra las propiedades
que para l probamos en la seccin XX. En particular, sera inconsistente.
En general, un modelo de regresin mltiple incorpora un nmero k de variables explicativas, ya sea con datos temporales,
yt = 0 + 1 x1t + 2 x2t + ... + k xkt + ut , t = 1, 2, ..., T

(10.3)

o con datos de seccin cruzada,

yi = 0 + 1 x1i + 2 x2i + ... + k xki + ui , i = 1, 2, ..., N
Es til que consideremos inicialmente un modelo ms simple,
yt = 0 + 1 x1t + 2 x2t + 3 x3t + ut

(10.4)

que, al igual que hicimos en el modelo de regresin simple, podemos interpretar

en diferencias temporlaes. Para ello, escribimos el modelo en dos instantes de
tiempo sucesivos,
yt1 = 0 + 1 x1t1 + 2 x2t1 + 3 x3t1 + ut1
y restando, con lo que tenemos,
yt = 1 x1t + 2 x2t + 3 x3t + ut
que nos muestra que la fouctuacion temporal en yt puede explicarse a partir
de las variaciones temporales en x1t , x2t , x3t . Por tanto, una vez ms, el modelo es
interpretado en trminos de variaciones, a pesar de estimarse con datos originales,
en niveles de las variables.
Una vez que hayamos estimado el modelo, y disponiendo de datos de las variables incluidas en el msmo, podremos calcular los dos miembros de la igualdad,
yt = 1 x1t + 2 x2t + 3 x3t
56

que, en realidad, no coincidirn.La diferencia entre la variacin en yt y la

variacin que para dicha variable se habra previsto en funcin de los cambios que
han experimentado las variables explicativas, 1 x1t + 2 x2t + 3 x3t , se debe,
por supuesto, a la existencia del error o residuo, que confiamos que, en media,
no ser muy grande. En todo caso, la diferencia entre los dos miembros de la
igualdad anterior ser
ut .

El trmino 1 x1t mide el efecto que sobre yt habra tenido la variacin en

x1t si las otras dos variables explicativas no hubiesen cambiado. Sin embargo,
este es un supuesto ficticio, pues las tres variables habrn visto alterado su valor
numrico.
A pesar de ello, el ejercicio ceteris paribus puede tener inters en el diseo
de poltica econmica. Por ejemplo, retomando el modelo (10.1), el coeficiente
estimado 2 nos dara el efecto que sobre los tipos de inters tendr una variacin
unitaria (positiva o negativa) en la tasa de inflacin, si mantenemos inalterada
la tasa de crecimiento moenatrio. Como sta es una variable de control de la
autoridad moneria en la puesta en prctica de la poltica monetaria, el ejercicio que
acabamos de describir es razonable. Incluso, una vez realizado, la propia autoridad
monetaria podra preguntarse por el impacto que sobre los tipos de inters tendra
un incremento de un punto en la tasa de inflacin (que tender a elevar los tipos
de inters), parcialmente compensada con una mayor restriccin monetaria (que
tender a reducir los tipos de inters), por ejemplo, recortando en dos puntos
el crecimiento monetario. Dicho impacto sobre los tipos de inters, sera, rt =
2 1 + 2 donde, una vez ms, hay que apuntar que, muy probablemente, 1 tomar
un valor negativo.
Si, por ejemplo, la ecuacin estimada es,
rt = 4, 25 0, 42mt + 0, 96 t + ut

(10.5)

entonces la elevacin de un punto en la tasa de inflacin tendera a incrementar

los tipos de inters en 0,96. Si se reduce en dos puntos el crecimiento monetario
el efecto combinado ser mucho menor, rt = 2 1 + 2 = 0, 84 + 0, 96 = 0, 12.
El modelo lineal de regresin especifica una relacin del tipo,
yt = 0 + 1 x1t + 2 x2t + ... + k xkt + ut , t = 1, 2, ..., T
en la que se utilizan k variables para tratar de explicar el comportamiento de
la variable yt . Esta ltima se conoce como variable dependiente, mientras que las
variables que aparecen en el miembro derecho del modelo se denominan variables
57

explicativas. El trmino ut se conoce como la perturbacin o trmino de error

del modelo, y es una variable aleatoria. Tambin yt se considera que es una
variable aleatoria. La variable ut es el componente de yt que el modelo no puede
explicar. Se entiende que la lista de variables explicativas recoge todas las variables
que pueden estar relacionadas con yt , de modo que ut es el componente que el
investigador reconoce no poder explicar. En un modelo de regresin interesa que
este trmino sea lo ms pequeo posible.
La expresin anterior refleja el supuesto de que disponemos de observaciones
de series temporales para cada una de las variables del modelo. Los datos de series
temporales recogen informacin acerca de una determinada unidad econmica (un
pas, un mercado financiero, etc...) en distintos instantes de tiempo, reflejando
as la evolucin temporal de un conjunto de variables relativas a dicha unidad
econmica. Un ejemplo sera un modelo que pretende explicar la inflacin mensual en la zona euro utilizando como variables explicativas la tasa de crecimiento
de la M3, las variaciones en el precio del barril de petrleo, etc.. Otros ejemplos
seran: a) tratar de explicar la evolucin temporal de las rentabilidades diarias
ofrecidas por una cesta IBEX35 utilizando las rentabilidades ofrecidas por una
cesta S&P500, b) explicar la evolucin de la volatilidad del IBEX35 a partir de
la volatilidad del Futuro sobre el IBEX35, c) tratar de explicar la volatilidad implcita en una opcin put sobre Telefnica a partir de la volatilidad en la cotizacin
de dicha accin, etc...
En otras ocasiones, los datos disponibles no son de dicho tipo, sino de seccin
cruzada, es decir, recogen informacin acerca de distintas unidades estadsticas,
en un mismo instante de tiempo,
yi = 0 + 1 x1i + 2 x2i + ... + k xki + ui , i = 1, 2, ..., N
aunque ambos modelos se tratan de igual modo.
Estimar el modelo consiste en asignar valores numricos a los coeficientes
0 , 1 , 2 , ..., k. Una vez que se dispone de dichos valores numricos, puede calcularse el residuo del modelo, mediante la expresin,
ut = yt 0 + 1 x1t + 2 x2t + ... + k xkt t = 1, 2, ..., T
que tiene la misma naturaleza que los datos utilizados, es decir, ser bien una
serie temporal o una seccin cruzada de datos.
Un buen ajuste consiste en que los residuos sean lo menor posibles, si bien no
es evidente cmo medir el tamao de una variable aleatoria de este tipo.
58

10.1. Estimacin por mnimos cuadrados

Los datos disponibles pueden organizarse en la forma de una matriz X, de dimesncin Txk o Nxk para las variables explicativas, y de un vector y, de dimensin
Tx 1 o Nx 1 para la variable dependiente. Asimismo, podemos considerar el vector
u, de dimensin Tx1 o Nx 1, que contiene las T (o N ) variables aleatorias correspondientes a la perturbacin correspondiente a cada observacin muestral. Con
ellas, el modelo de regresin lineal puede escribirse,
y = XB + u
El estimador de mnimos cuadrados ordinarios se obtiene mediante la expresin
matricial,
= (X 0 X)1 X 0 y
que, como puede comprobarse, es un vector columna de dimensin kx1. Es,
por tanto, una transformacin lineal de la variable dependiente y. En ese sentido,
se dice que el estimador MCO es un estimador lineal.
Este estimador proporciona un buen ajuste a los datos, en el sentido de que
los residuos que genera proporcionan la menor suma de cuadrados posible. Es
conveniente utilizar criterios como el de la suma de los cuadrados de los residuos
porque estos pueden ser positivos o negativos, de modo que su suma directa no
debe utilizarse como criterio de bondad de ajuste.
En el caso de un modelo de regresin lineal simple,
yt = 0 + 1 xt + ut , t = 1, 2, ..., T
este estimador se convierte en,
Cov(xt , yt )
DT (yt )
1 =
= xy
, 0 = y 1 x
V ar(xt )
DT (xt )
por lo que el coeficiente de correlacin entre xt e yt est muy relacionado con
la estimacin de mnimos cuadrados de la pendiente de la recta de regresin. Sin
embargo, como puede verse, dicho coeficiente de correlacin debe corregirse por
la volatilidad relativa de variable dependiente e independiente. La pendiente del
modelo mide el efecto que una determinada variacin en xt tiene sobre yt . Si, por
ejemplo, la correlacin fuese perfecta (supngamos que de signo positivo), pero
la variable dependiente fuese el doble de voltil que la variable explicativa, el
coeficiente de correlacin sera 1, pero el coeficiente del model.
59

11. Propiedades del estimador de mnimos cuadrados.

Generalmente, estamos muy interesados en contratar hiptesis de distinto tipo: a)
si una variable explicativa contiene informacin significativa acerca de la variable
dependiente, b) si el coeficiente de imapacto de una determinada variable es igual
a 1, c) si dos variables explicativas tienen el mismo coeficiente, etc...
Sin embargo, aunque los coeficientes del modelo de regresin son constantes,
si bien desconocidas, sus estimaciones, por cualquier procedimiento que podamos
utilizar, son aleatorias, pues son funcin de la muestra que utilicemos, que es
aleatoria. Si el modelo que estamos estimando es correcto, como hemos de
suponer, la perturbacin aleatoria del mismo, ut , otroga naturaleza asimismo
aleatoria a la variable dependiente, yt . Esto significa que si cambiamos por ejemplo el perodo muestral que utilizamos en la estimacin, la realizacin de dicha
perturbacin, es decir, sus valores numricos, sern diferentes, con lo que las observaciones de yt tambin los ern, y la estimacin de los parmetros diferir de
la obtenida con otro perodo muestral. Asimismo, si cambiamos la frecuencia de
observacin de los datos, de diaria a mensual, por ejemplo tomando el ltimo dato
de cada mes, la muestra cambia, y con ella, las estimaciones de los coeficientes de
las variables explicativas en el modelo.
Siendo variables aleatorias, nos interesa que los estimadores tengan ciertas
propiedades deseables, lo cual depender del procedimiento de estimacin utilizado, y de lasc aractersticas del modelo que estamos estimando. Las principales
propiedades en que podemos estar interesados son: insesgo, eficiencia y consistencia.
El insesgo consiste en que la esperanza matemtica del estimador coincida
con el verdadero valor numrico del coeficiente que estamos estimando. Un estimador eficiente es un estimador de mnima varianza. El procedimiento de mnimos
cuadrados proporciona el estimador lineal de mnima varianza, si bien pueden existir otros estimadores no lineales de varianza todava menor. Un estimador es
consistente si, al aumentar el tamao muestral, converge en probabilidad al verdadero valor del parmetro desconocido que se est estimando. Se dice entonces
que su lmite en probabilidad es dicho parmetro. Bien podra ocurrir que el estimador fuese sesgado en muestra pequeas, pero si es consistente, dicho sesgo ir
reducindose si ampliamos el tamao muestral.
El estimador de mnimos cuadrados no es siempre consistente. El estimador de
mxima verosimilitud lo es, pero siempre que la hiptesis acerca de la distribucin
de probabilidad en que se basa, sea correcta, sobre lo que no se puede tener
60

seguridad.
Por construccin, el estimador MCO proporciona aqul conjunto de valores
numricos para los coeficientes del modelo de regresin que generan unos residuos
cuya suma de cuadrados es menor. Como este es el criterio seguido para calcular
el estimador de mnimos cuadrados, tal propiedad es incuestionable, y caracteriza
a dicho estimador.
Propiedad 1: No puede hallarse otro conjunto de valores numricos para los
coeficientes del modelo que generen unos residuos con una suma de cuadrados inferior a la obtenida a partir del estimador MCO.
Adems de esta propiedad el estimador posee otras caractersticas, que examinamos a continuacin. En todo modelo lineal de regresin, los residuos generados
por el estimador de mnimos cuadrados satisfacen las propiedades:
Propiedad 2: Los residuos de mnimos cuadrados se relacionan con el trmino
de perturbacin del modelo mediante,

u = M u
siendo M = IT X (X 0 X)1 X 0 , una matriz cuadrada de orden T .
Propiedad 3: La matriz M es simtrica e idempotente
Demostracin.- Inmediata, a partir de la definicin de la matriz M. Por ejemplo,

1
1
M 0 M = M M = IT X (X 0 X) X 0 IT X (X 0 X) X 0 =
1

= IT X (X 0 X)

X 0 X (X 0 X)

X 0 + X (X 0 X)

X 0 X (X 0 X)

X 0 = IT X (X 0 X

Ahora podemos calcular las propiedades estadsticas (esperanza matemtica y

matriz de covarianzas) del vector de residuos u, de dimensin Tx1 :
Propiedad 4: Si el trmino de perturbacin satisface E(u) = 0T, V ar(u) =
2u IT , se tiene E (
u) = 0, V ar (
u) = 2u M.
61

Demostracin.- La primera parte es inmediata a partir de la propiedad anterior.

Para probar la segunda parte, tenemos,
V ar(
u) = E(
uu0 ) = E(u0 M M 0 u) = E(u0 Mu) =
= tr(u0 Mu) = E(uu0 M ) = E(uu0 )M = 2u IT M = 2u M
Por tanto, incluso si el trmino de perturbacin del modelo tiene una estructura
de covarianzas sencilla, el vector de residuos tendr una matriz de covarianzas
bastante ms compleja. El vector de residuos tiene, al igual que el trmino de
perturbacin, esperanza matemtica igual a cero para cada observacin muestral.
Propiedad 5: Los residuos M CO estn incorrelacionados con cada una de
las variables explicativas del modelo.
Demostracin.- Si denotamos por u el vector de T residuos del modelo estimado, tenemos
= X 0 (y X(X 0 X)1 X 0 y) = 0
X 0 u = X 0 (y X )
Esta propiedad es muy importante si recordamos la interperetacin del coeficiente de correlacin en el sentido de que una correlacin no nula entre variables
permite cierta capacidad de predecir el comportamiento de una cualquiera de ellas
a partir de los valores observados para la otra. por tanto, si los residuos del modelo tuvieran correlaci positiva o negativa con alguna de las variables explicativas,
significara que la informacin muestral relatiuva a dicha variable permite explicar
el comportamiento del residuo, la parte de yt que hemos dejado sin explicar. Esto
definira la estimacin que hemos obtenido como ineficiente, pues no habra hecho uso de toda la ingformacin muestral disponible. por tanto, esta ausencia de
correlacin es muy deseable.
Propiedad 6: En todo modelo de regresin que incorpora un trmion constate, la suma de los residuos generados por el estimador M CO es igual a
cero. Como consecuencia, su promedio es asimismo nulo.
Demostracin.- Es consecuencia de la propiedad anterior, si tenemos en cuenta
que el trmino constante acompaa a una variable explicativa que toma un valor
igual a uno en todos los perodos.
62

 Propiedad 7: El estimador MCO es insesgado

= E (X 0 X)1 X 0 y = E (X 0 X)1 X 0 (X + u) =
E()

= E + (X 0 X)1 X 0 u = + (X 0 X)1 X 0 E(u) = 0

Propiedad 8: Si la matriz de covarianzas del trmino de perturbacin es

V ar(u) = 2u IT , la matriz de covarianzas del estimador M CO es: Var( MCO ) =
2u (X 0 X)1 .

0
= E E()

E()

V ar()

= E
=
0 1 0 0

= E (X X) X uu X(X 0 X)1 = (X 0 X)1 X 0 E (uu0 ) X(X 0 X)1 =

= (X 0 X)1 X 0 V ar (u) X(X 0 X)1 = (X 0 X)1 X 0 V ar (u) X(X 0 X)1
Propiedad 9: Si la matriz de covarianzas del trmino de perturbacin es
V ar(u) = 2u IT , el estimador MCO es el estimador lineal insesgado de menor
varianza.
= Ay. Si
Demostracin.- Cualquier otro estimador lineal puede escribirse,
definimos la diferencia entre las matrices que definen este estimador y el estimador
MCO,
D = A (X 0 X)1 X 0
tenemos,

= D + (X 0 X)1 X 0 y = D + (X 0 X)1 X 0 (X + u) = DX++ D + (X 0 X)1 X 0 u

por lo que E = DX + . El estimador ser insesgado slo si la matriz
D satisface la propiedad DX = 0, que equivale a la propiedad AX = Ik .
Supongamos que se cumple esta propiedad. La matriz de covarianzas del
estimador es entonces,

63

 = E
V ar()

0
h
0
i
0
1 0
0
1 0 0

= E D + (X X) X uu D + (X X) X

= 2u (X 0 X)1 + 2u DD0

siendo el segundo sumando una matriz semidefinida positiva. En consecuencia,

la diferencia entre las matrices de covarianza del estimador y el estimador MCO
es una matriz definida positiva, lo que prueba que este ltimo es el estimador
lineal insegado de mnima varianza.
Propiedad 10: Si el trmino de perturbacin del modelo de regresin se
distribuye: u N(0T , 2u IT ), entonces el estimador MCO del vector de
coeficientes se distribuye,
1
N (, 2u (X 0 X) )

Demostracin.- Se basa en el hecho de que el vector que define el estimador

de mnimos cuadrados (de dimensin kx 1) es una transformacin lineal del vector
de perturbaciones (de dimensin Tx 1)
= + (X 0 X)1 X 0 u
siendo determinista el resto de los elementos que aparecen en esta expresin.
Ello implica que el estimador de cada uno de los coeficientes sigue asimismo
una distribucin Normal,
i N ( i , 2u aii ) 1 i k
donde aii denota el elemento i-simo en la diagonal de la matriz (X 0 X)1 , que
tiene dimensin kxk.
Propiedad 12: Si el trmino de perturbacin del modelo de regresin se
distribuye: u N(0T , 2u IT ), entonces el estimador MCO del vector de
coeficientes coincide con el estimador de Mxima Verosimilitud de dichos
coeficientes.

64

Demostracin.- Recordemos que la funcin de densidad de una varaible Normal

multivariante N (, ) de dimensin T es,

1
1
1 0 1
f () =
exp
2
(2)T /2 | |1/2
de modo que, si suponemos Normalidad del trmino de perturbacin, tenemos,

1
1
1 0
f (u) =
exp 2 u u
2 u
(2)T /2 ( 2u )T /2
y la verosimilitud del vector de observaciones de la variable dependiente y
resulta,

1
1
1
0
2
exp 2 (y X) (y X)
L(y, X/, u ) =
2 u
(2)T /2 ( 2u )T /2
donde hemos utilizado el hecho de que el Jacobiano de la transformacin que
convierte el vector u en el vector y es igual a la matriz identidad de orden T , por
lo que tiene determinante igual a 1.
Por tanto, dada una muestra y, X,maximizar la funcin de verosimilitud respecto a los valores paramtricos , 2u , equivale a minimizar la suma de cuadrados
de los residuos del modelo.
La nica diferenciae striba en que el estimador M V del parmetro resulta ser,

2u =

SR
T

frente al estimador que suele calcularse en la utilizacin del procedimiento de

mnimos cuadrados, que es,

2u =

SR
T k

y que suele conocerse como estimador de mnimos cuadrados de 2u .

Ambos se aproximan para tamaos muestrales moderados. El estimador M V
de 2u es sesgado, mientras que el segundo es insesgado. El estimador M CO del
vector de coeficientes alcanza la cota de Cramer-Rao (umbral inferior para la
varianza de todo estimador insesgado), lo que no le sucede al estimador M CO de
2u , que excede de dicha cota, si bien no existe ningn estimador insesgado de 2u
65

que alcance dicha cota. El estimador M V de 2u es inferior a dicha cota, pero es

sesgado, como ya hemos dicho.
Este resultado es importante, por cuanto que implica que si, adems de los
supuestos ms bsicos, de tener esperanza cero y matriz de covarianzas escalar,
aadimos el supuesto de que el trmino de perturbacin sigue una distribucin
Normal, entonces el estimador MCO tiene las mismas propiedades que el estimador MV. Ahora bien, sabemos que, bajo condicioens bastante generales, el
estimador MV es eficiente; es decir, no puede encontrarse otro estimador, lineal o
no lineal, que tenga una matriz de covarianzas menor que la del estimador MV. En
trminos del concepto de precisin que introdujimos en la Seccin XX, no puede
encontrarse un estimador de mayor precisin que el estimador MV.
En consecuencia, la utilizacin del procedimiento de mnimos cuadrados est
totalmente justificada bajo el supuesto de Normalidad del trmino de perturbacin, y algo menos cuando tal supuesto no se establece. Evidentemente, no se
trata de que el investigador haga o no una hiptesis acerca del tipode distribucin que sigue el trmino de perturbacin, sino de que se preocupe acerca de si el
supusto de Normalidad es aceptable Por eso es que los contrastes de normalidad
deben tener una cierta importancia en el anlisis emprico.o de regresin sera
igual a 2.
Si las variables explicativas no son deterministas, sino aleatorias, como cabe
esperar, entonces el clculo de las propiedades del estimador de mnimos cuadrados
es algo ms complejo, y sus propiedades varan. En general, el estimador ser
sesgado, pero ser consistente, salvo que alguna de las variables explicativas tenga
un comportamiento tendencial. Cuando aparecen tendencias, el estimador de
mnimos cuadrados es asintticamente insesgado y eficiente,
= ; lim V ar()
=0
lim E()

La fuerte estructura que hemos impuesto sobre el vector de perturbaciones,

V ar(u) = 2u IT no es necesaria para garantizar la consistencia del estimador de
mnimos cuadrados.
De hecho, incluso en presencia de variables explicativas estocsticas, el estimador de mnimos cuadrados todava es insesgado si las variables explicativas estn incorrelacionadas con el trmino de perturbacin del modelo de regresin. En
realidad, todo lo que necesitamos es que la esperanza del trmino de perturbacin,
condicional en la informacin proporcionadad por las variables explicativas, sea
cero: E(u/X) = 0. Esto implica la ausencia de correlacin, puesto que,
66

E(X 0 u) = E [E(X 0 u/X)] = E [EX 0 (u/X)] = E [X 0 E(u/X)] = E(0) = 0

En tales condiciones, tomando esperanzas condicionales, tenemos,

E(/X)
= E (X 0 X)1 X 0 y/X = E (X 0 X)1 X 0 (X + u)/X =

= E + (X 0 X)1 X 0 u/X = + (X 0 X)1 X 0 E(u/X) = 0

Sin embargo, si bien ser insesgado, el estimador MCO no ser ya eficiente.

La consistencia del estimador M CO requiere que las variables explicativas estn incorrelacionadas asintticamente (es decir, en el lmite al aumentar el tamao
muestral) con el trmino de perturbacin,
p lim

1 0
Xu=0
T

Como
0 1
XX
X 0u

p lim = + p lim
p lim
)
T
T
0
y si se existe el lmite p lim XTX y la matriz X 0 X es invertible, entonces un
0 1
argumento de continuidad garantiza la existencia de p lim XTX
. En tal caso,
1
0
p lim T X u = 0 garantiza la consistencia del estimador M CO, puesto que se tiene,
p lim =
0

Dado que la matriz XTX se compone de momentos muestrales de orden 2, la

existencia del lmite de dicha matriz requiere existencia de segundos momentos
para el vector de variables explicativas. La presencia de una tendencia, aun siendo
determinista, genera trminos del tipo,
PT 2 PT
t=1 t
t=1 txit
;
T
T
cuyo lmite no existir si las restantes variables xit tienen un comportamiento
estable alrededor de un nivel de referencia.
67

En presencia de variables explicativas estocsticas, el estimador M CO no tiene

distribucin Normal en muestras finitas incluso si u N(0T , 2u IT ). Por el contrario, bajo ciertas condiciones de regularidad, se tiene,

1
T ( ) N (0, 2u (X 0 X) )
d

mediante aplicacin del teorema central del lmite al caso en que el trmino
de perturbacin presenta la misma distribucin de probabilidad para todas las
observaciones, con esperanza nula y varianza finita, y las variables explicativas
satisfacen condiciones de existencia de moemtnos como la que antes discutimos.

12. Bondad de ajuste del modelo

Al tener los residuos media cero, es claro que debemos preocuparnos por el modo
en que oscilan alrededor de cero. En particular, lo que nos interesa es que las
desviaciones que experimentan con respecto a cero sean lo menor posibles. Es
decir, que su varianza sea
P lo menor posible, pero su varianza muestral es, precisamente, proporcional a Tt=1 u2t . Por otra parte, puesto que el residuo no es sino
una componente de la variable dependiente, aquella que no podemos explicar,
tiene perfecto sentido comparar la varianza de los residuos con la de la variable
dependiente. Ambas son positivas, y su cociente ser necesariamente inferior a
la unidad, de modo que oscila entre 0 y 1. Pero esto es lo que hacemos con el
coeficiente de determinacin.
La bondad del ajuste del modelo de regresin se representa por el coeficiente
de determinacin del modelo,
PT
SR
2t
2
t=1 u
R =1
= 1 PT
ST
)2
t=1 (yt y

sonde SR denota la suma de los cuadrados de los residuos, y ST lo que conocemos como Suma Total, la suma de las desviaciones al cuadrado de la variable
dependiente respecto de su media muestral. Esta suma es igual a la varianza de
yt multiplicada por el tamao muestral.

13. Contrastes de hiptesis

Generalmente, estamos muy interesados en contratar hiptesis de distinto tipo: a)
si una variable explicativa contiene informacin significativa acerca de la variable
68

dependiente, b) si el coeficiente de impacto de una determinada variable es igual

a 1, c) si dos variables explicativas tienen el mismo coeficiente, etc...
Para llevar a cabo contrastes de este tipo, necesitamos hacer alguna hiptesis
acerca de la distribucin de probabilidad del trmino de error o perturbacin del
modelo de regresin. Generalmente suponemos que dicho trmino sigue una distribucin Normal, si bien esto debe contrastarse utilizando los tests paramtricos
o no paramtricos apropiados. Como hemos visto en la seccin anterior, wbajo
ciertas condiciones tenemos,
1
N (, 2u (X 0 X) )

en cutyo caso, cada uno de los coeficientes del modelo sigue asimismo una
distribucin Normal,
i N ( i , 2u aii ) 1 i k
donde aii denota el elemento i-simo en la diagonal de la matriz (X 0 X)1 , que
tiene dimensin kxk.
Si queremos contrastar una determinada hiptesis acerca del valor numrico
del coeficiente asociado a una determinada variable xi , 1 i k,
H0 : i = 0i
podramos utilizar esta propiedad, pues tendremos que,
i 0i
p
N(0, 1)
2u aii

de modo que bastara fijar un nivel de significacin para el contraste, obtener el

nivel crtico correspondiente al mismo en la tabla de una Normal(0,1), y comparar
0

i
i
el valor numrico del estadstico
con dicho umbral critico. Por supuesto
2 ii
u a

que el nivel crtico que obtengaos en la tabla de la N (0, 1) debe depender de que
el contraste sea de una o de dos colas, es decir, de que la hiptesis alternativa sea
del tipo,
H1 : i 6= 0i
o de alguno de los tipos,
69

H1 : i < 0i
,
H1 : i > 0i
La hiptesis de significacin de la variable xi , 1 i k consiste en contrastar
H0 : i = 0
frente a una alternativa,
H1 : i 6= 0
aunque tambin podra ser de una sla cola, si tenemos informacin a priori
restringiendo el signo de dicho coeficiente.
Sin embargo, el contraste de hiptesis no puede llevarse a cabo de este modo
porque desconocemos el valor numrico de la varianza del trmino de error. Puede
sin embargo estimarse, lo cual hacemos mediante la expresin,

2u =

SR
T k

Ahora bien, si sustituimos su valor terico por su valor estimado, las propiedades
estadsticas del contraste de hiptesis cambian. Concretamente, habremos de utilizar la propiedad,

2u
(T k) 2 T k
u
Como consecuencia, tenemos que,
independiente de .

i i

2 ii
u a

(T k) u2 /(T k)

es decir,

i 0i
p 2
tT k

u aii
70

tT k

con lo que podremos llevar a cabo contrastes como los mencionados.

Especficamente al llevar a cabo contrastes de significacin, conviene que distinguir entre las situaciones en que no rechazamos la hiptesis nula de ausencia de
significacin de una determinada variable porque efectivamente, no tiene capacidad explicativa, de aquellos casos en que no rechazamos la hiptesis nula porque la
estimacion del coeficiente asociado a dicha variable se lleva a cabo no una precisin
reducida. Baja precisin implica una varianza elevada para el estimador de dicho
coeficiente, con lo que el valor numrico del ratio que aparece en el estadstico t de
Student ser reducido, y posiblemente inferior al nivel crtico proporcionado por
las tablas. En definitiva, hay que distinguir entre los caos en que dicho ratio es
pequeo porque el numerador es pequeo, de los casos en que el ratio es reducido
porque su denominador es muy elevado.
Asimismo, conviene recordar que para rechazar una hiptesis nula, requerimos que la informacin muestral contenga evidencia significativa en contra de
la hiptesis nula y favorable a la hiptesis alternativa. Esta segunda condicin
suele olvidarse con demasiada frecuencia, pero es importante, especialmente en
contrastes de una cola. En el contraste de hiptesis
H0 : i = 0
frente a la alternativa,
H1 : i > 0
si obtenemos una estimacin puntual i = 3, 5 estaramos en una situacin en
que la evidencia muestral es contraria a la hiptesis nula, pero tambin es contraria
a la hiptesis alternativa. En tal caso, los mtodos estadsticos habituales para el
contraste de hiptesis nos llevarn a no rechazar la hiptesis nula, a pesar de que
la estimacin numrica del coeficiente puede considerarse elevada. Ello se debe
a que al establecer la hiptesis alternativa, no hemos considerado la posibilidad de
que dicho coeficiente tome valores negativos, seguramente por algun conocimiento
previo o alguna razn terica. No es que nosotros queramos o no rechazar H0 ,
sino que los pprocedimientos habituals nos llevarn a no rechazar dicha hiptesis.
En una situacin as, el investigador debera cuestionar las razones que le han
llevado a establecer una hiptesis alternativa como la que hemos presentado. Si
contina pensando que tal alternativa es razonable, deber desechar la muestra
que ha utilizado; por el contrario, el resultado de la estimacin podra en algunos
casos reconsiderar la hiptesis alternativa, establecindola en la forma H1 : i 6= 0,
y volver a contrastar la hiptesis nula H0 : i = 0 de nuevo.
71

Para llevar a cabo el contraste de hiptesis de una cola

H0 : i = 0i
frente a la alternativa,
H1 : i > 0i
utilizaramos el hecho de que para toda variable tn se tiene,
0, 95 = P [ tn, ]
siendo tn, el nivel crtico proporcionado por las tablas de la distribucin tn al
nivel de confianza , que habremos de fijar previamente.
Por tanto, bajo el supuesto de que la hiptesis nula es cierta
"
#

q
i 0i
0
2 ii

0, 95 = P p 2
tn, = P i i + tn,
ua
u aii

de modo que los valores admisibles del coeficiente

debajo dei 0i +
h estn por
p 2
p
tn,
u aii . Esto delimita una regin crtica RC 0i + tn,
2u aii ; + cuyo
umbral inferior es superior al valor terico, 0i . Es decir, rechazamos la hiptesis
nula si nuestra estimacin, con las muestra disponible, excede de dicho umbral,
que es a su vez mayor que el valor terico 0i .
En el caso particular de que contrastemos si un coeficiente es cero, cuando la
alternativa contemplada es que tome valores nicamente positivos, rechazaremos
la hiptesis nula cuando la estimacin puntual
p 2 de dicho coeficiente exceda de un
cierto umbral estrictamente positivo, tn,
u aii . Este tipo de evidencia sera simultneamente contraria a la hiptesis nula, y favorable a la hiptesis alternativa.
Para contrastar hiptesis ms complejas, como
H0 : 1 + 2 = 5
frente a una alternativa como H1 : 1 + 2 < 5, basta tratar 1 + 2 5 como una
nueva variable aleatoria z cuya varianza puede determinarse sin ningn problema
y pensar en contrastar H0 :
a partir de la matriz de varianzas-covarianzas de ,
z = 0, frente a la alternativa H1 : z = 0. As,
72

z
N (0, 1)
DT (z)
y si sustituimos en esta expresin el verdadero valor de 2u por su estimacin,
z5
tendremos DT
tT k y podremos proceder a contrastar H0 .
(z)
Lo que estamos haciendo es comparar la magnitud de la holgura o incumplimiento de una restriccin, utilizando su desviacin tpica como unidad de medida,
para poder decidir si dicha holgura es grande o pequea.
Este argumento puede extender al contraste simultneo de varias restricciones.
Calculamos para cada una de ellas su holgura, obteniendo as un vector de dimensin igual al nmero de restricciones, cuyas coordenadas pueden ser positivas o
negativas. Igualmente, podemos pensar en obtener la matriz de covarianzas de
las restricciones, una vez que tratamos cada una de ellas como una sla variable
aletoria, como hemos hecho en el ejemplo anterior. Finalmente, decidimos si el
vector de holguras es grande o pequea calculando su tamao utilizando la matriz
de covarianzas como unidad de medida,
(V ector de ho lg uras) [V ar (V ector de ho lg uras)]1 (V ector de ho lg uras)0
que puede probarse que sigue una distribucin Fq,T k , siendo q el nmero de
restricciones que se contrastan.
Por ejemplo, si contrastamos las hiptesis,...
Para contrastar un conjunto de hiptesis lineales de la forma,
H0 : R = r
frente a la alternativa,
H1 : R 6= r
el estadstico,

0
0
1 0 1

R r [R(X X) R ]
R r /q
u0 u/(T k)

Fq,T k

Utilizar este estadstico matricial es equivalente al ejercicio que hemos propuesto arriba. De hecho, no es dificil ver en el corchete central de este estadstico
73

tipo F la matriz de covarianzas del vector de holguras, donde el parmetro 2u

se ha sustituido por su estimacin en el denominador. Estamos, por tanto, calculando el tamao del vector de holguras, utilizando su desviacin tpica como
unidad de medida.
Por ltimo, en ocasiones pueden sustituirse en el modelo las regresiones que se
pretende calcular. En ese caso, otro modo equivalente de calcular el estadstico F
anterior consiste en comparar la suma de cuadrados de los residuos que se obtienen
en el modelo sin restringir y el modelo restringido, mediante el estadstico,
(SRR SSR) /q
SSR/(T k)
que es idntico al anterior y obedece, por tanto, a una distribucin de probabilidad Fq,T k .
Otros estadsticos son,
(SRR SSR)
W ald
SRR
(SRR SSR)
(T k + q)
M ultiplicadores de Lagrange
SRR
T (ln SRR ln SSR) Raz
on de verosimilitudes
(T k)

14. Matrices de covarianzas no escalares

Si el trmino de perturbacin satisface las condiciones, E(uT ) = 0T , V ar(uT ):
2u , siendo una matriz simtrica, definida positiva, T xT , el estimador M CO es
insesgado, con matriz de covarianzas : Var( MCO ) = 2u (X 0 X)1 (X 0 X)(X 0 X)1 .
La demostracin de esta propiedad es totalmente anloga a la de las Propiedades
7 y 8.
Si el trmino de perturbacin del modelo se distribuye N (0T , 2u ) siendo
una matriz simtrica, definida positiva, TxT, entonces el estimador MCO del
vector de coeficientes se distribuye,
MCO N(, 2u (X 0 X)1 (X 0 X) (X 0 X)1 )
La demostracin es anloga a la realizada en la Propiedad 10, basndose
el resultado en el hecho de que, cuando las variables explicativas son deterministas, el estimador M CO es una transformacin lineal del vector u.
74

En estas circunstancias, el estimador M CO ya no es el estimador lineal insesgado de mnima varianza.

14.1. Comparacin de estimadores de la regresin mltiple y la regresin simple
Consideremos la estimacin por mnimos cuadrados del modelo,
yt = 0 + 1 x1t + 2 x2t + ut
supongamos que estimamos una regresin auxiliar,
x2t = 0 + 1 x1t + 2t

(14.1)

y construimos los residuos,

2t = x2t 0 + 1 x1t ,

(14.2)

que, como vimos en XX, tendrn, entre otras, la propiedad Corr(2t , x1t ) = 0.
Si, a continuacin, estimamos el modelo de regresin simple de la variable
dependiente de inters sobre los residuos de esta regresin auxiliar,
yt = 0 + 22t + vt
tendremos (como vimos en XX),
PT

2t yt
22t
t=1

2 = Pt=1
T

Resulta sorprendente que, como puede probarse sin mucha dificultad, este
estimador coincide con el estimador de mnimos cuadrados ordinarios de 2 en
(10.4),
MCO
2
=
2

Lo que hemos hecho es extraer de x2t el efecto de x1t debido a la correlacin que,
en general, existir entre estas variables. As, el residuo 2t mide el componente
de x2t que no tiene nada en comn con x1t y, de hecho, tiene correlacin nula con
esta variable.

75

Este resultado se extiende al modelo ms general, (10.3), en el que si estimamos

la regresin auxiliar,
x1t = 0 + 2 x2t + ... + k xkt + 1t , t = 1, 2, ..., T

(14.3)

y utilizamos los residuos de esta regresin

1t = x1t
0
2 x2t ...
k xkt , t = 1, 2, ..., T
para estimar la regresin simple,
yt = 0 + 11t + vt

(14.4)

tedremos que la estimacin de mnimos cuadrados de 1 en (14.4) coincidir

con la estimacin de mnimos cuadrados de 1 en (10.3).
Supongamos por un momento que en un determinado anlisis, la variable
explicativa x1t tiene correlacin cero con el resto de las variables explicativas.
Entonces, en (14.3) los coeficientes estimados deberan ser prcticamente cero, al
igual que el coeficiente de determinacin de dicha ecuacin.En tal caso, el residuo
1t ser practicamente igual a x1t , 1t ' x1t , por lo que el modelo (14.4) ser
esencialmente,
yt = 0 + 1 x1t + vt

(14.5)

Pero hemos dicho que la estimacin de mnimos cuadrados de 1 en esta regresin coincide con la estimacin de mnimos cuadrados de 1 en (10.3). Por
tanto, cuando una variable explicativa est incorrelacionada con todas las dems,
su coeficiente puede estimarse igualmente bien en la regresin multiple completa,
o en la regresin simple de yt sobre esta nica variable.
Una segunda situacin en que se produce este mismo resultado es cuando la
correlacin muestral entre cada una de las variables explicativas e yt es cero. La
razn es que en tal caso, las estimaciones tericas de los coeficienets asociados a
cada una de estas variables sera cero, por lo que estimar el modelo (10.3) equivale,
al menos tericamente, a estimar (14.5).
Es interesante saber que neste resultado puede asimismo aplicarse a bloques de
variables. As, supongamos que en el modelo de regresin mltiple, las k variables
explicativas pueden agruparse en dos bloques, con la condicin de que ninguna
variable de un bloque est correlacionada con ninguna variable del otro bloque.
Permitimos, sin embargo, que variables de un mismo bloque estn correlacionadas,
76

positiva o negativamente entre s. Pues bien, en tal situacin, los coeficientes

asociados a las variables en el primer bloque pueden estimarse en una regresin
de yt unicmente sobre este subgrupo de variables explicativas, y lo mismo puede
decirse acerca de los coeficientes asociados a las variables en el segundo bloque.
14.2. Regresin particionada

15. Grado de ajuste del modelo de regresin mltiple

Una vez estimados los coeficientes del modelo de regresin mltiple, y obtenidos
los valores numricos de los residuos, la varianza residual se obtiene,
yt = 0 + 1 x1t + 2 x2t + 3 x3t + ut

2u =

n
2
Sy.123
1 X 2
Su2
ui =
=
n 3 i=1
n3
n3

donde la notacin que hemos introducido enla ltima igualdad hace referencia
a que se trata de la suma residual que resjulta al estimar una regresin en que la
variable dependiente Y aparece explicada por x1 , x2 , x3 . La Suma Residual puede
expresarse,

2
Sy.123

n
X
i=1

yi2

n
X
i=1

yi 1

n
X
i=1

yi x1i 2

n
X
i=1

yi x2i 3

n
X

yi x3i

(15.1)

i=1

expresin que puede expresarse matricialmente,

2
0y
Sy.123
= y 0 y X

y que puede descomponerse en la forma,

2
Sy2 = Sy.123
+

n
X
i=1

(
yi y)2

(15.2)

de modo que la Suma Total, o suma de cuadrados de las desviaciones entre

las observaciones de la variable dependiente y su media, es igual a la suma de la
Suma Residual de la regresin, ms la Suma Explicada por la misma.
77

El coeficiente de determinacin mltiple se define,

2
Ry.123

2
Sy.123
=1
Sy2

que puede obtenerse sin necesidad de calcularPpreviamente los residuos de la

regresin pues, utilizando (15.1) junto con Sy2 = ni=1 (yi y)2 se llega a,
2
Ry.123
=

1 Sx1 y + 2 Sx2 y + 3 Sx3 y

Sy2

Por la descomposicin de la Suma Residual (15.2), tenemos que el coeficiente

2
de determinacin Ry.123
es positivo, y no superior a la unidad.
El coeficiente de correlacin mltiple es la raz cuadrada, con signo positivo,
del coeficiente de determinacin mltiple,
s
s
2
2
S
Sy2 Sy.123
y.123
2y.123 = 1
=
Sy2
Sy2
15.1. Coeficientes de correlacin parcial y de determinacin parcial
El modelo de regresin mltiple nos permite considerar asimismo la capacidad
explicativa que cada una de las variables independientes por separado, tiene sobre
la variable dependiente, lo cual es de sumo inters para el investigador. Para ello
utilizamos los coeficientes de correlacin parcial,
Definicin.- El coeficiente de correlacin parcial entre Y y X1 , denotado por
y1.2 , en el universo de variables Y, X1 , X2 , X3 , es el coeficiente de correlacin
simple entre las variables Y y X1 , una vez que se ha extrado de ellas la
influencia comn que puedan tener de la variable X2 .
El coeficiente de correlacin parcial entre Y y X2 , denotado por y2.1 , en el
universo de variables Y, X1 , X2 , X3 , se definira anlogamente. Suele interpretarse
el coeficiente y1.2 como el grado de correlacin existente entre Y y X1 , cuando
X2 se mantiene fija, pero consideramos bastante ms adecuada la interetacin que
hemos dado: dicho coeficiente mide la correlacin existente entre las variables Y
y X1 que no es debida a la posible influencia comn que ambas avriables puedan
78

experimentar respecto de X2 . Cuando hay ms de dos variables explicativas, las

posibilidades de definir coeficientes de correlacin parcial se multiplican.
En el caso de dos variables explicativas,
yt = 0 + 1 x1t + 2 x2t + ut
si denotamos por y1 , y2 , 12 los coeficientes de correlacin simple entre cada
par de variables, puede probarse que,

y1.2 = q
y2.1 = q

y1 y2 12

1 2y2 (1 212 )
y2 y1 12

1 2y1 (1 212 )

Los coeficientes de correlacin parcial pueden escribirse asimismo en trminos

de varianzas muestrales. Por ejemplo, el coeficiente de correlacin parcial entre
Y y X2 es igual a,
s
s
2
2
2
Sy.1
Sy.12
Sy.12
y2.1 = 1 2 =
2
Sy.1
Sy.1
que depende de la comparacin entre dos sumas de cuadrados de residuos: la
que procede de la regresin mltiple de Y sobre X1 y X2 , y la correspondiente
a la regresin simple de Y sobre X1 . El coeficiente de correlacin parcial entre
Y y X2 es igual a la reduccin que la varianza del modelo de regresin simple se
obtiene cuando se aade al mismo, como variable explicativa adicional, la variable
2
2
X2 . Es claro que Sy.1
> Sy.12
, pues la suma residual nunca disminuye al aadir
una variable explicativa al modelo de regresin. Si, por ejemplo, X2 no aporta
2
2
explicacin alguna sobre Y que no est ya contenida en X1 , entonces Sy.1
= Sy.12
y y2.1 = 0, a pesar de que y2 habr sido, en general, diferente de cero.
Analogmente, tendramos, el coeficiente de correlacin parcial entre Y y X1 ,
s
s
2
2
2
Sy.12
Sy.2
Sy.12
y1.2 = 1 2 =
2
Sy.2
Sy.2
Sus cuadrados son los coeficientes de determiancin parcial,
79

2
2
2
Sy.12
Sy.2
Sy.12
=
2
2
Sy.2
Sy.2
2
2
2
Sy.12
Sy.12
Sy.1
= 1 2 =
2
Sy.1
Sy.1

2
Ry1.2
= 1
2
Ry2.1

16. Colinealidad entre variables explicativas en un modelo

de regresin
En un modelo de regresin lineal mltiple, la interpretacin de los coeficientes
estimados no es inmediata. De hecho, lo verdaderamente importante es entender
que hay diversas maneras de interpretar los valores numricos obtenidos en el
proceso de estimacin, no todas equivalentes.
La lectura ms inmediata de la estimacin de un modelo de regresin, utilizada
con excesiva frecuencia, consiste en interpretar cada coeficiente como el impacto
que la variable explicativa asociada al mismo tiene sobre la variable dependiente.
Lamentablemente, una interpretacin tan directa no es siempre vlida. Es fcil
ver que el valor numrico de un coeficiente como 2 en la regresin,
yt = 0 + 1 x1t + 2 x2t + 3 x3t + ut
es la variacin, positiva o negativa, segn su signo, que experimentara la
variable yt si la variable x3t aumentase en una unidad, y supuesto que ninguna
otra de las variables explicativas, alterase su valor numrico.
Ahora bien, recordemos la interpretacin que llevamos a cabo acerca del significado del coeficiente de correlacin en la Seccin XX. Si x3t estuviera altamente
correlacionada con x2t , (x3t , x3t ) = 0, 85, por ejemplo, sera poco realista hacer
el supuesto ceteris paribus del prrafo anterior, pues el valor numrico del coeficiente de correlacin entre ambas variables indica que cuando una de ellas aumenta, la otra generalmente disminuye. Por tanto, para calcular el efecto que
sobre yt tendra un aumento de una unidad en x3t , habra que restar de 3 , que
mide el efecto directo, el producto de 2 por el cambio producido en x2t . Este
producto medira el efecto indirecto.
Para calcular la magnitud de la variacin en x2t que cabra esperar que viniera
asociada con un aumento de una unidad en x3t , hemos de apelar nuevamente al
concepto de coeficiente de correlacin,
80

(x3t , x3t ) =

23
2 3

16.1. Efectos de la colinealidad entre variables explicativas

No se producen efectos sobre las caractersticas globales de la regresin: Rcuadrado, residuos numricos, desviacin tpica de la perturbacin, estadstico
de significacin global de la regresin, etc.
Consideremos un modelo de regresin con las variables medidas en desviaciones
respecto a su valor medio,
yt = 1 x1t + 2 x2t + ut
A partir de la matriz de covarianzas muestral entre las variables explicativas
del modelo de regresin,

var(x1 ) cov(x1 , x2 )
a b
V ar(X) =
=
, a, c > 0, b Q 0,
cov(x1 , x2 ) var(x2 )
b c
obtenemos la matriz de covarianzas de los estimadores MCO del modelo de
regresin mltiple,

1 2 c

b
1
acb2 2 acb
a b
c b
2
2
2

=
=
V ar( MCO ) =
b
a
b c
2 acb
2 acb
ac b2 b a
2
2
1. Que las variables explicativas del modelo de regresin estn altamente correlacionadas significa que, en valor absoluto, su coeficiente de correlacin
(covarianza dividido entre producto de desviaciones tpicas) sea prximo a
b2
la unidad o, lo que es equivalente, que ac
est prximo a la unidad. Esto
2
implica, evidentemente, que b es aproximadamente igual al producto ac.
Una primera consecuencia es que el determinante de la matriz de covarianzas
de las variables explicativas, ac b2 , ser prximo a cero, es decir, dicha matriz
de covarianzas es prxima a ser singular. Como el inverso de dicho determinante
MCO ), se tiene que tanto las varianzas
aparece como un factor comn en V ar(
de los estimadores MCO como sus covarianzas, son numricamente elevadas. Por
ejemplo, con una matriz de covarianzas entre variables,
81

V ar(X) =

4 6.2
6.2 10

6.2
= . 98031
, Corr(x1 , x2 ) = p
(4) (10)

tenemos una matriz de covarianzas entre estimadores MCO,

4
6.2
19.
231
11.
923
V ar( MCO ) = 3.0
=
6.2 10
11. 923 7. 6923
con,

DT ( 1 ) =

19. 231 = 4. 3853, DT ( 2 ) = 7. 6923 = 2. 7735

1. Por tanto, se produce una prdida de precisin en las estiamciones, al aumentar las desviaciones tpicas de los estimadores MCO. En este caso, por
tanto, estimamos con una baja precisin no porque existan variaciones en el
valor de los coeficientes, sino porque las variables asociadas estn altamente
correlacionadas, positiva o negativamente.
2. Como discutimos en la Seccin XX al hablar de los contrastes de hiptesis estadsticas, la prdida de precisin tiene implicaciones importantes en
cuanto a efectuar contrastes acerca de valores numricos con dichos coeficientes, por cuanto que la menor precisin, que es equivalente a una mayor
varianza estimada termina plasmndose en intervalos de confianza ms amplios. Esto hace mucho ms fcil que el valor numrico que se contrasta en
una hiptesis nula simple caiga dentro de dicho intervalo, no rechnzadose,
en consecuencia, dicha hiptesis nula. En este caso, que mla hiptesis nula
no se rechace no se debe necesariamente a que el valor hipottico del coeficiente sea muy similar al valor estimado, sino a que la desviacin tpica
asociada a este ultimo es muy grande, lo que puede ampliar el intervalo de
confianza asociado de manera muy importante. En definitiva, como vimos
en su momento, la menor precisin en la estimacin viene asociada a una
prdida de potencia en la contrastacin de hipotesis estadsticas.
3. Otra consecuencia de la correlacin entre variables explicativas es que la
correlacin entre coeficientes estimados, bac tendr signo contrario al de
la correlacin entre las variables explicativas x1 , x2 , y ser cercano a 1 en
valor absoluto. Si las variables explicativas estn positivamente correlacionadas, entonces los estimadores MCO de sus coeficientes asociados estn
negativamente correlacionados. En el ejemplo anterior,
82

Corr 1 , 2 = p

11. 923
= . 98029
(19. 231) (7. 6923)

Ello quiere decir que, mientras que, a lo largo de la muestra, las dos variables
tienden a estar simultneamente por encima o por debajo de sus respectivas medias muestrales, las estimaciones numricas de sus coeficientes estarn una por
encima de su media, y otra por debajo. Esto significa que el procedimiento tiende
a sobre-estimar uno de dichos coeficientes y a sub-estimar el otro, sin que, por
supuesto, sepamos cul de ellos est en cada situacin. Pero adems, que su
correlacin sea elevada implica que tendremos una seria
en distinguir

dificultad

entre una coleccin de posibles pares de estimaciones 1 , 2 , que se distinguen

unas de otras porque las que tienen un valor mayor de 1 , tienen un valor inferior
. Este es un problema que se conoce como de falta de identificacin en la
de
2
estimacin del modelo economtrico.
Como hemos visto, el efecto de la colinealidad es aumentar las varianzas de
los estimadores de mnimos cuadrados, as como sus covarianzas. En general, las
correlaciones entre coeficentes son asimismo elevadas. Esto significa no slo que
exista una tendencia a que cada coeficiente individual tienda a aparecer como
estadsticamente no significativo, sino que, adems, es difcil estimar numricamente cada coeficiente por separado. Es lgico esperar que as sea: si dos variables
x2 y x3 estn positivamente correlacionadas, entonces las dos tienden a desviarse
en igual direccin respecto a sus medias muestrales. Por tanto, ambas tienden a
estar simultneamente por encima o por debajo de sus respectivas medias; por
consiguiente, la misma capacidad explicativa genera la combinacin 2 x2 + 3 x3
que la combinacin ( 2 + )x2 +( 3 ) x3 . Es decir, puesto que ambas variables
se mueven generalmente en igual sentido, existen proporciones y de ambas
variables que toman valores numricos muy similares, compensndose entre s. Por
consiguiente, ambas combinaciones tomarn aproximadamente los mismos valores
numricos. Como esta sustitucin entre las variables x2 y x3 puede llevarse a cabo
en cuanlquier cuanta, siempre que se respete la proporcin dada por /, identificar con precisin por separado los valores numricos de los parmetros 2 y 3
resulta muy difcil.

83

16.2. Deteccin de la colinealidad

Puesto que la colinealidad se refiere a la presencia de corficientes de correlacin
de elevados en magniotud entre las variables explciativas, nada mejor para detectar esta situacin que examinar dichos coeficientes de correlacin en la muestra.
Aunque parezca sorprendente, hay distintos procediemitnos que deben seguirse,
pues son todos ellos de una enorme sencillez.
1. En primer lugar, el clculo dedichos coeficientes de correlacin entre todos
los pares de variables explicativas; en el modelo del ejemplo anterior, hay
tan slo uno de tales pares.
2. En segundo lugar, deben examinarse las nubes de puntos entre tales pares de
variables; como dijimos en su momento, un grfico tan simple como una nueb
de puntos nos proporciona una perspectiva muestral completa, a diferencia
del nico valor numrico proporcionado por un coeficiente de correlacin
muestral. por ejemplo, en una nube de puntos podemos percibir que lo que
aparece como un coeficiente de correlacion muestral slo moderado, se debe
a la existencia de ua submuestra, de reducida magnitud, enla que las dos
variables en cuestin se desconectan, existiendo en el resto de la muestra
una relacin estrecha entre ambas.
3. En tercer lugar, pueden calcularse los valores propios de la matriz de covarianzas de las variables observadas. Como hemos visto en el ejemplo anterior,
en presencia de colinealidad, dicha matriz estar cercana a la singularidad,
lo que se ha de reflejar en que el menor de los valores propios debe ser
muy inferior al mayor de los mismos. Ha de tenerse en cuenta que todos
los valores propios de dicha matriz sern no negativos, como corresponde
a una matriz de covarianazs, que es semi-definida positiva. Por otra parte,
el determinante de una matriz cuadrada es igual al producto de sus valores
propios, y ha de ser cercano a cero si la matriz es casi singular. para que
el producto de los valores propios sea cercano a cero, es necesario que se
cumpla la relacin citada entre el menor y el mayor de todos ellos.
4. Por ltimo, pueden estimarse regresiones parciales entre pares de variables
explicativas. El R-cuadrado de dichas regresiones ser el coeficiente de correlacin entre ambas, al cuadrado, por lo que la estimacin de estas regresiones auxiliares engloban como caso particular a la primera de nuestras sugerencias. De este modo, obtenemos informacin adicional til, especialmente
84

a travs de los residuos de cada regresin, cuyo examen nos proporciona el

componente de una de las variables explicativas que no est explicado por
la utilizada como variable explicativa en la regresin auxiliar.
5. Sensibilidad a variaciones en un nmero reducido de observaciones muestrales.
16.3. Tratamiento de la colinealidad
Como hemos visto, uno de los dos problemas producidos por la colinealidad entre
las variables explicativas del modelo de regresin estriba en la dificultad de interpretar separadamente cada uno de los coeficientes estimados. Concretamente, no
podemos interpretar el valor numrico de un coeficiente estimado como el efecto
de la variable explicativa asociada sobre la variable dependiente.
16.3.1. Regresin ortogonalizada
Puesto que una de las dificultades generadas por la colinealidad entre variables
explicativas estriba en la dificultad de interpretar los valores numricos estimados
para los coeficientes del modelo de regresin, uno de los posibles tratamientos
de la colinealidad consiste en modificar las variables explicativas del modelo, de
modo que las nuevas variables sean incorrelacionadas entre s.
Para ello, el investigador debe comenzar estableciendo un ranking de importancia entre las variables explicativas originales, entendiendo por ello, su creencia
acerca de la capacidad explicativa individual de cada una de ellas respecto a la
variable dependiente. La primera de dichas variables en importancia se conserva
inalterada. A continuacin, se estima una regresin lineal de la variable que ocupa
el segundo puesto en el ranking, sobre la primera,
x2t = 0 + 1 x1t + 2t

(16.1)

los residuos de dicha regresin van a sustituir a la segunda variable. Dichos

residuos son el componente de x2t que no est explicada por x1t ; adems, por
construccin, estn incorrelacionados con x1t , (2t , x1t ) = 0. A continuacin, se
estima una regresin de la tercera variable sobre las dos primeras; por construccin, los residuos de mnimos cuadrados de dicha regresin tienen correlacin nula
con x1t y con x2t , y se procede de este modo hasta llegar a la variable colocada
en el ltimo lugar del ranking.

85

Para establecer el ranking inicial, el investigador puede servirse de regresiones

parciales de la variable dependiente sobre cada una de las variables explicativas
originales. El R2 de dichas regresiones, las desviaciones tpicas residuales, as
como un examen grfico de los residuos de cada una de ellas, ser generalmente
suficiente para establecer dicho ranking. La nica dificultad en este anlisis surge
si hay duda entre dos variables acerca de cul de ellas asignar alguno de los
primeros lugares del ranking; esto sera importante, pues si dos variables tienen
una capacidad explicativa similar, elevada en ambos casos, entonces la variable
que resultase menos favorecida en la seleccin sera sustituda por lo residuos
en una regresin de dicha variable por la que se seleccion como prioritaria en
el ranking, y dichos residuos tendrn una capacidad explicativa muy reducida,
debido a que estas dos variables eran originalmente muy similares.
En otras palabras, si dudamos entre seleccionar x1t o x2t para ocupar el primer
lugar en el ranking.....
De este modo, alteramos la regresin inicial por otra,
yt = 0 + 1 x1t + 2 2t + 3 3t + ut

(16.2)

donde 2t y 2t denotan los residuos de las regresiones auxiliares, (16.1) y

x3t = 0 + 1 x1t + 2 x2t + 3t ,

(16.3)

2t = x2t 0 + 1 x1t ,

(16.4)

3t = x3t
0
1 x1t +
2 x2t ,

(16.5)

En esta regresin, el coeficiente de correlacin entre dos variables explicativas

cualesquiera es cero. Por ejemplo, si consideramos 2t y 3t , tenemos que 3t tiene
correlacin nula con x1t y con x2t , mientras que 2t es una combinacin lineal de x1t
y x2t ; en consecuencia, el coeficiente de correlacin entre 2t y 3t es igual a cero.
Por tanto, a diferencia de lo que ocurra en la regresin original, los coeficientes
estimados en (16.2) pueden interpretarse como el impacto, positivo o negativo,
que se tendra sobre yt si la variable asociada, digamos que 3t , aumenta en una
unidad.
La estrategia propuesta habra resuelto, por tanto, el problema de interpretacin
de los coeficientes individuales estiamdos; sin embargo, surge otra dificultad evidente, y es que el investigador no est interesado en estimar el impacto que
sobre yt puede tener una variacin unitaria en 3t , sino en la variable original, x3t .
86

Sin emabrgo, no todo est perdido: supongamos que, una vez estimada (16.2) el
investigador dispone de datos yt , x1t ,x2t y x3t . Sustituira,
x2t = 0 + 1 x1t + 2t
3t = x3t (
0 +
1 x1t +
2 x2t )

(16.6)
(16.7)

en (16.2) , obteniendo XXX.

16.3.2. Otros tratamientos
Regresin cresta
Componentes principales

17. Prediccin
Como mnimo, una variable puede predecirse a partir de su valor medio muestral.

87

18. Modelos univariantes de series temporales

18.1. Primeros conceptos
18.1.1. Procesos estocsticos
18.1.2. Funciones de autocorrelacin simple y parcial
18.2. Procesos autoregresivos, AR(p)
18.2.1. El modelo AR(1)
18.2.2. El modelo AR(2)
18.3. Procesos de medias mviles, MA(q)
18.4. Procesos mixtos, ARMA(p,q)
18.5. Procesos integrados ARIMA(p,d,q)
18.6. Prediccin con modelos univariantes
18.6.1. Prediccin con modelos AR(p)
18.6.2. Prediccin con modelos MA(q)
18.6.3. Prediccin con modelos ARMA(p,q)
18.6.4. Prediccin con modelos ARIMA(p,d,q)
18.7. Estimacin de modelos univariantes de series temporales
18.7.1. Estimacin de modelos autoregresivos
18.7.2. Estimacin de modelos de medias mviles
18.7.3. Estimacin de modelos ARMA(p,q) y ARIMA(p,d,q)

19. El procedimiento de variables instrumentales

19.1. Correlacin entre variables explicativas y trmino de error
19.2. Errores de medida

20. Modelos dinmicos

20.1. Colinealidad entre variables explicativas
20.2. Estimacin

88
20.2.1. Perturbacin sin autocorrelacin
20.2.2. Perturbacin con autocorrelacin

21. Simultaneidad
21.1. Identificacin
21.2. Estimacin de una ecuacin del sistema