Clase1 Perturbaciones No Esféricas

Perturbaciones no esfricas
Perturbaciones no esfricas: Heterocedasticidad y

Autocorrelacin
Patricia Lengua Lafosse
Curso: Econometra intermedia - Escuela de Posgrado PUCP
Abril 2017
Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Perturbaciones esfricas
Incumplimiento de S3: perturbaciones no esfricas
Heterocedasticidad
Autocorrelacin
Matriz de var-cov de los trminos de perturbacin
2 3
var (u1 j X) cov (u1 , u2 j X) . . . cov (u1 , un j X)
6 cov (u2 , u1 j X) var (u2 j X) ... cov (u2, un j X)7
6 7
Var ( uj X) = 6 .. .. .. .. 7
4 . . . . 5
cov (un , u1 j X) cov (un , u2 j X) . . . var (un j X)
De forma equivalente, Var ( uj X) se puede expresar como:

2 3
E u12 X E [ u1 u2 j X] . . . E [ u1 un j X]
6E [ u2 u1 j X] E u 2 X . . . E [u2 un X] 7
0 6 2 7
E uu X = 6 .. .. . .. 7
4 . . . . . 5
E [ un u1 j X] E [ un u2 j X] . . . E un X 2

Heterocedasticidad
Autocorrelacin
Matriz de var-cov de los trminos de perturbacin

Asumiendo que las variables exgenas (X 0 s) son jas en muestras
repetidas:
2 3
var (u1 ) cov (u1 , u2 ) . . . cov (u1 , un )
6cov (u2 , u1 ) var (u2 ) . . . cov (u2, un )7
6 7
Var (u) = 6 .. .. .. .. 7
4 . . . . 5
cov (un , u1 ) cov (un , u2 ) . . . var (un )
De forma equivalente:
2 3
E u12 E [u1 u2 ] . . . E [u1 un ]
6E [u2 u1 ] E u 2 . . . E [u2 un ]7
6 2 7
Var (u) = E uu0 =6 .. .. .. .. 7
4 . . . . 5
E [un u1 ] E [un u2 ] . . . E un 2

Heterocedasticidad
Autocorrelacin
Las perturbaciones son esfricas cuando se cumple:
Homocedasticidad: La varianza de los trminos de
perturbacin es la misma para cada i.
var (ui ) = 2 8i
No autocorrelacin: La covarianza entre los trminos de
perturbacin es igual a cero.
cov (ui , uj ) = 0
8i 6 = j
De esta forma, perturbaciones esfricas implica que:
2 2 3
0 0 ... 0
6 0 2 0 . . . 0 7
6 7 2
Var (u) = 6 . .. .. . . .. 7 = In n
4 .. . . . . 5
0 0 0 . . . 2
Heterocedasticidad
Autocorrelacin
Es razonable poner en duda el S3.

Modelos de corte transversal: las varianzas de ui0 s podran ser
diferentes y estar relacionadas con los regresores.
Ejemplo: Ci = 1 + 2 Xi + ui donde Ci es el gasto en
comida y Xi es el ingreso. Los de mayor ingreso suelen tener
mayor varianza en el consumo de comida.
Modelos de series de tiempo: ui0 s suelen presentar algn tipo
de correlacin temporal con otros trminos de perturbacin.
Las perturbaciones suelen mostrar comportamientos
sistemticos que genera dependencia entre estas variables.

Heterocedasticidad
Autocorrelacin
Var (u) = E uu0 = V 6 = 2 In

2 2 3 2 2 3
12 1n
1 12 13 . . . 1n 2
1
2
... 2
6 21 6 2n 7
6 22 23 . . . 2n 7
7 6 21
2 6 2
22
... 7
= 6 .. = 2 2 7
.. .. .. .. 7 6 .. .. .. .. 7
4 . . . . . 5 4 . . . . 5
n1 n2 n3 . . . 2n n1 n2
... 2n
2 2 2
= 2
La matriz V puede contener elementos distintos en su

diagonal principal: var (ui ) = 2i (Heterocedasticidad)
La matriz V puede contener elementos diferentes de cero
fuera de la diagonal: cov (ui , uj ) = ij 6= 0 (Autocorrelacin)
Heterocedasticidad
Autocorrelacin
Consecuencias
1. Estimadores MCO ( b
MCO ) es lineal y siguen siendo
insesgados, consistentes y con distribucin asinttica normal.
2. Estimadores MCO no es el de mnima varianza: ya no son
ecientes (deja de ser MELI).

Heterocedasticidad
Autocorrelacin
Consecuencias
d( b 2 0 1 es sesgado. Los estimadores de las
3. Var MCO ) = S (X X )
b
varianzas de los MCO son sesgados e inconsistentes. Los
procedimientos de inferencia ya no son vlidos.
b
La frmula antes usada: Var ( 2 0 1 es un
MCO ) = (X X)
estimador inconsistente de la verdadera matriz de var-cov del
b 0 1 0 0 1
estimador MCO (Var ( MCO ) = (X X) (X VX)(X X) )
bajo el supuesto de perturbaciones no esfricas.
Por lo tanto, s 2 (X 0 X ) 1 constituye un estimado indecuado de
la verdadera matriz de var-cov. Dado que los errores estndar
de b
MCO se basan directamente en estas varianzas, los
procedimientos de inferencia (intervalos de conanza y las
pruebas de hiptesis basadas en los test t y F ) no sern
vlidas.
Heterocedasticidad
Autocorrelacin
Qu hacemos cuando hay presencia de perturbaciones no

esfricas?
2 estrategias:
1 Proponer otro estimador que sea insesgado y eciente para

(MCG) y un estimador apropiado para su varianza.
2 Mantener MCO (es insesgado aunque ineciente), pero
reemplazar la varianza (la estndar es sesgada bajo
perturbaciones no esfricas).

Heterocedasticidad
Autocorrelacin
Mnimos cuadrados generalizados (MCG)

El mtodo de MCG consiste en transformar un modelo que sufre
de perturbaciones no esfricas del tipo Var (u) = 2 y convertirlo
a un modelo que tenga perturbaciones esfricas. Para lo anterior,
se debe multiplicar al modelo original y = X + u por una matriz
P que contiene valores jos de dimensin n n tal que
P0 P = 1 .De esta forma, el modelo transformado es:
Py = PX + Pu
y = X +u
con X = PX, y = Py y u = Pu donde:
E (u ) = 0
Var (u ) = 2 I

Heterocedasticidad
Autocorrelacin
Mnimos cuadrados generalizados (MCG)
El mtodo de MCG consiste en aplicar el MCO al modelo

transformado, el cual cumple con el supuesto de perturbaciones
esfricas. De esta forma, el estimador de MCG es:
b
= (X 0 X ) 1
X 0y
MCG
b
MCG = ((PX)0 (PX)) 1
(PX)0 (Py)
b
= (X0 P0 PX) 1
(X0 P0 Py)
MCG
b
= (X0 1
X) 1
(X0 1
y)
MCG

Heterocedasticidad
Autocorrelacin
Propiedades del estimador MCG
Estimadores MCG son MELI, son ms ecientes que los

estimadores MCO.
Propiedades en muestras nitas:
E (b
MCG ) = b
!MCG es insesgado.
2
h i 1
Var (b
MCG ) = 2 (X 0 1 X ) 1 = n n1 X 0 X
Propiedades en muestras grandes:
P lim Var (b
MCG ) = 0 ! b MCG es consistente1 .
b
El estimador MCG es asintticamente normal con media y
varianza asinttica AVar (b
MCG ) = 2 (X 0 1 X ) 1
1 Es una forma alternativa de comprobar que P lim b
MCG = .
Heterocedasticidad
Autocorrelacin
Teorema de Aitken
Para el modelo de perturbaciones no esfricas, el estimador MCG

es el de menor varianza dentro de la clase de estimadores lineales e
insesgados.

Heterocedasticidad
Autocorrelacin
Mnimos cuadrados generalizados factibles (MCGF)
b
MCGF depende de X y de la matriz . Esta ltima puede ser
desconocida.
Se suele asumir una estructura particular de y se busca una
estimacin consistente de , digamos .b De esta forma:
b 0b b
MCGF = (X (X0
1 1 1
X) y) (1)

Heterocedasticidad
Autocorrelacin
Heterocedasticidad
La heterocedasticidad ocurre cuando las varianzas de los trminos

de perturbacin ya no son constantes entre las observaciones. Esto
es:
Var (ui ) = 2i , i = 1, ..., n.
Ejemplo: Modelo con 2 variables

Heterocedasticidad
Autocorrelacin
Heterocedasticidad
Asumiendo que los trminos de perturbacin siguen estando no

correlacionados, la matriz de var-cov sera:
2 2 3 2 2 3
1 0 0 . . . 0 2
1
0 ... 0
6 0 0 ... 0 7
2 6 22 7
6 2 7 60 ... 07
Var (u) = E uu0 = 6 . .. 7 = 6 2 7
2
. .. .. . . 6 . .. .. .. 7
4. . . . .5 4 .. . . .5
0 0 0 . . . 2n 0 0 ... 2n
2
= 2
donde es una matriz diagonal.

Heterocedasticidad
Autocorrelacin
Heterocedasticidad
El caso ms simple de heterocedasticidad es cuando la varianza de

las observaciones es proporcional a una variable wi , por lo que se
cumple que:
2i = 2 wi
De esta forma:
2 3
w1 0 0 . . . 0
6 0 w2 0 . . . 0 7
6 7
Var (u) = 2 6 . .. .. . . . 7
4 .. . . . .. 5
0 0 0 . . . wn
= 2

Heterocedasticidad
Autocorrelacin
Consecuencias....

Heterocedasticidad
Autocorrelacin
Intuicin
Ejm: modelo de 2 variables
La presencia de heterocedasticidad no altera la posicin "central" de la

lnea de MCO (Insesgadez).
MCO pondera a todas las observaciones por igual. Pero en este caso
parece ms razonable prestar ms atencin a aquellas en donde la
varianza es ms pequea.
Heterocedasticidad
Autocorrelacin
Soluciones
1 Utilizar MCG: Transformar el modelo que sufre de

perturbaciones no esfricas del tipo Var (u) = 2 y
convertirlo a un modelo
2 que tenga perturbaciones
3 esfricas.
w1 0 0 . . . 0
6 0 w2 0 . . . 0 7
6 7
Ejemplo: Si = 6 . .. .. . . .. 7, entonces
4 .. . . . . 5
0 0 0 . . . wn
2 1/2 3
w1 0 0 ... 0
6 0 w2 1/2
0 ... 0 7
6 7
P=6 .. .. .... .. 7
4 . . . . . 5
0 0 0 . . . wn 1/2

Heterocedasticidad
Autocorrelacin
Soluciones
y = Py y X = PX
Modelo:
2 1/2 3
w1 y1
6w 1/2 y 7
6 27
y =6 2 . 7 y
4 .
. 5
w 1/2 y
2 n 1/2 n 3
w1 w1 1/2 X21 . . . w1 1/2 Xk 1
6w 1/2 w 1/2 X . . . w2 1/2 Xk 2 7
6 22 7
X = 6 2. 2
.. .. .. 7
4 .. . . . 5
wn 1/2 wn 1/2 X2n . . . wn 1/2 Xkn

Heterocedasticidad
Autocorrelacin
Soluciones
2. Mantener MCO (es insesgado aunque ineciente), pero

reemplazar la varianza (la estndar es sesgada bajo
perturbaciones no esfricas) usando la matriz de var-cov
corregidas de White.

Heterocedasticidad
Autocorrelacin
Deteccin
bi2
Diagnsticos grcos de Heterocedasticidad: Grcar u
2
contra Xi , para varios regresores .
Residuos al cuadrado vs Educ.
2 Problema: Solo se puede grcar contra una sola variable a la vez.

Heterocedasticidad
Autocorrelacin
Deteccin
Test para detectar Heterocedasticidad:

Test de White
Test Breusch-Pagan
Test Goldfeld-Quandt

Heterocedasticidad
Autocorrelacin
Correccin a las estimaciones MCO
1. Si Var (u) = 2 es conocida (poco probable). Estimar por

b
MCG = (X X) (X y ).
MCG: 0 1 1 0 1
Algunos lo denominan MCGI (Infactibles).

Ejemplo:
2 3
w1 0 0 ... 0
6 0 w2 0 ... 07
6 7
Sabemos que Var (u) = 2 = 2 6 . .. .. .. .. 7 .
4 .. . . . . 5
0 0 0 ... wn
2 1 3
p
w1
0 ... 0
6 p1
7
6 0 ... 0 7
6 w2 7
Entonces: P = 6 . .. .. .. 7 ya que P0 P = 1
6 . . 7
4 . . . 5
0 0 . . . p1w
n

Heterocedasticidad
Autocorrelacin
2 3 2 X 11 Xk 1 3
py1 p1 p ... p
w1 w1 w1 w1
6 py2 7 6 p1 X 12 Xk 2 7
6 w2 7 6 w2 p
w2 ... p
w2 7
6 7
Py = 6 . 7 y PX = 6 . 6 7
.. .. .. 7
4 .. 5 4 .. . . . 5
pyn p1 X 1n
p ... X kn
p
wn wn wn wn
El estimador MCG es el estimador de MCO de la regresin Py

contra PX.
Tambin es conocido como estimador de Mnimos cuadrados

ponderados: las observaciones con menor varianza reciben un
mayor peso que las observaciones con mayor varianza.

Heterocedasticidad
Autocorrelacin
2. Si Var (u) = 2 es desconocida
2.1 Estimar Var (u) = 2 y luego estimar por MCGF.
Se suele asumir que Var (u) posee alguna estructura particular,

por ejemplo: Var (ui ) = 2 X3i , Var (ui ) = 2 X3i2 .
Problema: Si se especica mal a Var (u), el estimador de
por MCGF seguir siendo consistente pero ineciente y los
errores estndar sern incorrectos.
El estimador MCG es un estimador eciente
bajo el supuesto que conocemos Var (u).

Heterocedasticidad
Autocorrelacin
2.2 Estimar el modelo original por MCO y usar la matriz de

var-cov corregidas de White.
Se apoya en que b MCO es insesgado y consistente. Si n es

grande, el estimador de la matriz de var-cov de MCO
consistentes con heterocedasticidad de White es:
d(
Var b MCO ) = (X0 X) 1 (X0 EX)(X0 X) 1
2 2 3
b1 0 . . . 0
u
60 u b22 . . . 0 7
6 7
donde E = 6 . .. . . bi son los residuos de la
.. 7 y u
4 .. . . .5
0 0 ... u bn2
estimacin MCO del modelo original.
Heterocedasticidad
Autocorrelacin
No sufre el problema de mala especicacin de la matriz

Var (u).
Aproximacin vlida solo si el n es grande.

Heterocedasticidad
Autocorrelacin
Autocorrelacin
La autocorrelacin ocurre cuando la covarianza entre los

trminos de perturbacin no es igual a cero. Esto es3 :
cov (ui , uj ) = ij 6= 0
Asumiremos homocedasticidad: var (ui ) = 2 8i y que los

regresores son jos.
Frecuente en series de tiempo: lamemoriase transmite a
travs de los errores. Un shock grande o pequeo se
mantiene en el tiempo.
3 Estamos asumiendo que los regresores son jos para no usar
cov ( ui , uj X) 6= 0.
Heterocedasticidad
Autocorrelacin
Autocorrelacin
Principales causas:
Muchas de las series temporales mantienen consigo mismas relaciones en

el tiempo, donde los valores presentes de una variable se explican
fuertemente por los valores pasados de la misma.
Efectos prolongados de eventos exgenos: choques aleatorios (que se
recogen a trves del termino de perturbacin) pueden tener efectos que
persisten por ms de un periodo. Ejemplos de tales eventos los
constituyen catstrofes naturales, guerras, huelgas prolongadas, etc.
Aunque estos efectos suelen diluirse a lo largo del tiempo, en periodos
cercanos al evento ellos suelen traducirse en correlacin entre los trminos
de perturbacin para diferentes periodos.
Inercia: cuando existen tendencias marcadas que inzuyen en los valores
futuros de la serie.
Heterocedasticidad
Autocorrelacin
Autocorrelacin
Sesgos de especicacin: cuando se elige mal la forma funcional o cuando

se omiten variables relevantes, lo cual genera un comportamiento
sistemtico en el trmino de perturbacin.
Tiempo de ajuste: implica el tiempo que los agentes econmicos deben
tomar para procesar informacin de un perodo dado. As un fenmeno
sucedido en un perodo determinado puede impactar en uno o varios
posteriores.
Preparacin de datos: En datos de corte transversal al ordenarlos datos
con respecto alguna variable (consumo ordenado de mayor a menor por la
variable ingreso) puede introducir un proceso
aparentementeautocorrelacionado.

Heterocedasticidad
Autocorrelacin
Consecuencias....

Heterocedasticidad
Autocorrelacin
Autocovarianzas y autocorrelaciones
Autocovarianza: Covarianza de ut y ut s.
s = cov (ut , ut s )
= E [(ut E (ut ))(ut s E (ut s ))]
= E [ut ut s ]
Cuando s = 0:
0 = cov (ut , ut )
= var (ut )
= 2
Asumimos que la covarianza solo depende de la distancia en el

tiempo "s" y no del tiempo t, lo cual ocurre cuando las series de
tiempo son estacionarias.
Heterocedasticidad
Autocorrelacin
Autocovarianzas y autocorrelaciones
Autocorrelacin: Correlacin de ut y ut s.
s = corr (ut , ut s )
cov (ut , ut s )
= p p
var (ut ) var (ut s)
s
=
0
Cuando s = 0:
0 = corr (ut , ut )
cov (ut , ut )
= p p
var (ut ) var (ut )
var (ut )
= p p = 0 =1
var (ut ) var (ut ) 0
Heterocedasticidad
Autocorrelacin
Matriz de Var-Cov
2 3
var (u1 ) cov (u1 , u2 ) . . . cov (u1 , un )
6cov (u2 , u1 ) var (u2 ) . . . cov (u2 , un )7
6 7
Var (u) = 6 .. .. .. .. 7
4 . . . . 5
cov (un , u1 ) cov (un , u2 ) ... var (un )
2 3
0 1 . . . n 1
6 0 . . . n 2 7
6 1 7
Var (u) = 6 . . . .. 7
4 . . .
. . . . 5
n 1 n 2 . . . 0

Heterocedasticidad
Autocorrelacin
Matriz de Var-Cov
2 3
1 1 . . . n 1
6 1 1 . . . n 2 7
6 7
Var (u) = 2 6 .. .. .. .. 7
4 . . . . 5
n 1 n 2 ... 1
Var (u) = 2

Heterocedasticidad
Autocorrelacin
Trmino de perturbacin con proceso autoregresivo de 1er

orden o AR(1)
Se tiene el modelo:
yt = 1 + 2 X2t + 3 X3t + ...k Xkt + ut

ut = ut 1 + et con jj < 1
donde E (et ) = 0, Var (et ) = e y cov (et , et s) = 0 8s 6= 0.
Adems et no est correlacionado con ningn elemento del

modelo.

Heterocedasticidad
Autocorrelacin
Proceso et

Heterocedasticidad
Autocorrelacin
Realizacin de 2 procesos AR(1)

Heterocedasticidad
Autocorrelacin

orden o AR(1)
La matriz de var-cov est dada por:
2 3
1 . . . n 1
6 1 . . . n 2 7
6 7
Var (u) = 0 6 . .. .. .. 7 (2)
4 .. . . . 5
n 1 n 2 1
2 3
1 . . . n 1
2 6 1 . . . n 2 7
6 7
.. 7 =
2
= 6 .. .. ..
1 2 4 . . . . 5
n 1 n 2 1
2
donde 0 = 2 = 1 2
.
Heterocedasticidad
Autocorrelacin

orden o AR(1)
La matriz (2) queda plenamente identicada conocindose su

nico parmetro .
Al ser un parmetro menor que 1 en valor absoluto, en la
matriz (2) las celdas que se alejen de la diagonal principal
tendrn valores absolutos cada vez ms pequeos.

Heterocedasticidad
Autocorrelacin
Trmino de perturbacin con proceso de medias mviles de

1er orden o MA(1)
Se tiene el modelo:
yt = 1 + 2 X2t + 3 X3t + ...k Xkt + ut

ut = et + et 1
donde E (et ) = 0, Var (et ) = e y cov (et , et s) = 0 8s 6= 0.
Adems et no est correlacionado con ningn elemento del

modelo.

Heterocedasticidad
Autocorrelacin
Trmino de perturbacin con proceso de medias mviles de

1er orden o MA(1)
La matriz de var-cov est dada por:
2
3
1 1 + 2
0 ... 0
6 7
6 1 + 2 1
1 + 2
. . . 07
6 7
6 . . .. 7
Var (u) = 0 6 0
1 . .7 (3)
6 1 + 2 7
6 .. .. .. . . .. 7
4 . . . . .5
0 0 0 1
2
3
1 1 + 2
0 ... 0
6 7
6 1 + 2 1
1 + 2
. . . 07
6 7
2 26 . . .. 7
= (1 + ) e 6 0
1 . . 7 = 2
6 1 + 2 7
6 .. .. .. . . .. 7
4 . . . . .5
0 0 0 1
Heterocedasticidad
Autocorrelacin
Deteccin
Diagnsticos grcos de correlacin serial o autocorrelacin:

Grco de residuos ubt
bt contra u
Grco de dispersin (scatterplot) de u bt j
Grcar las versiones muestrales de los correlogramas.
Test de autocorrelacin:
Durbin-Watson
Breusch-Godfrey

Heterocedasticidad
Autocorrelacin
Deteccin: Diagnsticos grcos de autocorrelacin

Regresin de venta de licores contra tendencias y variables estacionales4
4 Francis X. Diebold (2015), Econometrics: Streamlined, Applied and
e-Aware.
Heterocedasticidad
Autocorrelacin

Grco de residuos u bt : Existencia de autocorrelacin de 1er orden: Si
bt generan una sucesin de valores positivos
valores positivos (o negativos) de u
(o negativos) es seal de autocorrelacin positiva. La autocorrelacin tambin
puede manifestarse por la alternancia de signos en la sucesin de valores, seal
de autocorrelacin negativa.

Heterocedasticidad
Autocorrelacin

bt contra u
Scatterplot de u bt 1 : Residuos contra residuos rezagados un
perodo. Se observa una clara relacin positiva entre los residuos
contemporneos y los rezagados.

Heterocedasticidad
Autocorrelacin
Deteccin: Test de autocorrelacin
Test de Durbin-Watson:
Se sospecha que ut siguen un proceso AR(1):
ut = ut 1 + et con jj < 1
donde E (et ) = 0, Var (et ) = e y cov (et , et = 0 8s 6= 0. s)

Se quiere contrastar H0 : = 0 contra H1 : 6= 0
Se regresiona y ! X y se obtienen los residuos ubt .
T

=
(ub
t 2
t ubt 1)
2
Estadstico DW = T 2(1 )

=
(ub
t 1
t )2

Heterocedasticidad
Autocorrelacin

Test de Durbin-Watson:
b: Estimar por MCO u
Para encontrar bt = b
ut 1 + et !
T
ub ubt t 1
bMCO =
=
t 2
T

=
ub
t 1
t 1
2
Entonces
T
ubt ubt 1
t =2 bMCO )
DW 2(1 T
) = 2(1
ubt 1
2
t =1
bMCO ! 1, DW ! 2 si
Estadstico DW 2 [0, 4], DW ! 0 si
b b
MCO ! 0 y DW ! 4 si MCO ! 1.
Heterocedasticidad
Autocorrelacin

Estadstico DW se compara con valores crticos de las tablas de Durbin y
Watson, los cuales dependen del nmero de observaciones (T ) y del nmero de
variables del modelo (K ). Los valores crticos vienen en parejas (dL , dU ).
0 - dL : Autocorrelacin positiva
dL - dU : Zona de indeterminacin
dU - (4 dU ): No autocorrelacin
(4 dU )- (4 dL ): Zona de indeterminacin
(4 dL ) - 4: Autocorrelacin negativa
Heterocedasticidad
Autocorrelacin

Requerimientos del test de DW:
Los trminos de perturbacin deben tener distribucin
Normal, de media 0 y homocedsticos.
Se debe incluir un intercepto en X.
Los regresores deben ser no estocsticos (jos): No se puede
incluir a rezagos de y como explicativa.
Problemas del test de DW:
Hay zonas donde el test no puede armar ni negar la hiptesis.
No es vlido si hay variables endgenas rezagadas entre las
explicativas (DW sera sesgado)
Solo contrasta autocorrelacin del tipo AR(1), pero no es til
para probar autocorrelacin de orden superior.
Heterocedasticidad
Autocorrelacin
! Si se incluyen rezagos de la variable endgena como explicativa

se utiliza el test h de Durbin.
Test h de Durbin:
q
b
h= T / (1 T (s.e (b
))2 )
donde b (1 DW ) y b es el estimador MCO del coeciente del

2
1er rezago de la variable endgena como explicativa.
d
h ! N (0, 1) si H0 : = 0 es verdadera.
Notar que el test h de Durbin puede ser indenido cuando
T (s.e (b
))2 > 1.

Heterocedasticidad
Autocorrelacin

Test de Breusch y Godfrey : Ms general de DW
Permite incluir variables endgenas rezagadas como variables
explicativas. No tiene zonas de indeterminacin.
Se sospecha que ut siguen un proceso AR(p):
ut = 1 ut 1 + 2 ut 2 + 3 ut 3 + ...p ut p + et
Se quiere contrastar H0 : (1 , 2 , ..., p ) = 0 contra
H1 : (1 , 2 , ..., p ) 6= 0
Se regresiona y ! X por MCO ignorando el problema de
autocorrelacin y se obtienen los residuos u bt .
Hacer una regresin auxiliar: u bt ! X,b bt 2 , ..., u
ut 1 , u bt p .
2 2
Calcular BG = (T p )Raux donde Raux es el R de la 2
regresin auxiliar y T es el nmero de observaciones.

En muestras grandes (T p )Raux 2 2 (p ).
Heterocedasticidad
Autocorrelacin
Problemas del test de BG:

Test BG solo es vlido asintticamente. En muestras
pequeas, la inferencia puede ser errnea.
Test de signicancia conjunta donde
H0 : 1 = 0, 2 = 0, ..., p = 0. Podra no ser capaz de
distinguir exactamente qu es distinto de cero.
Davidson y MacKinnon (1993): En regresin auxiliar se
pierden las observacione iniciales de ubt como de las Xt
incluidas provocando que u bt y Xt estn correlacionadas
elevando el R 2 de la regresin auxiliar haciendo que el test
tienda a sobrerechazar la H0 . Davidson y MacKinnon sugieren
completar con ceros los valores faltantes de los rezagos de u bt .

Heterocedasticidad
Autocorrelacin
1. Si el problema de la autocorrelacin surge por una mala

especicacin del modelo: omisin de alguna variable (ejem:
endgenas rezagadas omitidas), por una forma funcional
incorrecta o por una mala especicacin de la dinmica de la
relacin, entonces se deber corregir mediante una adecuada
especicacin del modelo.

Heterocedasticidad
Autocorrelacin
2. Si el problema surge por cualquier otro motivo, se tiene dos

tipos de soluciones:
a. Si la forma de la autocorrelacin es conocida:
i) Si es conocido, usar MCG.
Ejemplo:
Sabemos que ut sigue un proceso AR(1) de la forma
ut = ut 1 + et .
Conocemos la matriz de var-cov (2), entonces podemos
encontrar la matriz de transformacin P tal que P0 P = 1 .

Heterocedasticidad
Autocorrelacin

2q 3
1 2 0 0 0 0
6 7
6 1 0 0 07
6 7
P =6
6 0 1 0 07 7 , se le conoce como
6 .. .. .. .. .. .. 7
4 . . . . . .5
0 0 0 1
q
la matriz Prais-Winsten por la correcin 1 2 que se hace
en la 1era observacin.
2 q 3 2 q 3
( 1 2 )y1 ( 1 2 )Xji
6 7 6 7
6 y2 y1 7 6 Xj 2 Xj 1 7
y =6 6 7 6 7 con
.. 7 y Xj = 6 .. 7
4 . 5 4 . 5
yT yT 1 XjT XjT 1
j = 1, 2, 3, ...K .
Heterocedasticidad
Autocorrelacin

Luego, se estima el modelo transformado por MCO. Tambin se
puede utilizar el procedimiento de estimacin de Cochrane-Orcutt
donde se omite la 1era observacin del modelo transformado con la
matriz Prais-Winsten.
ii) Si no es conocido, usar MCGF.
Reemplazar con algn estimador consistente y transformar

el modelo original. Estimar por MCO el modelo transformado.
Ejemplo: mtodo iterativo de Cochrane-Orcutt
bt .
Estimar el modelo original por MCO y obtener los residuos u
T
u
bt u
bt 1
b=
Estimar usando t =2
T
.
u
bt 1
2
t =2

Heterocedasticidad
Autocorrelacin

- Transformar el modelo original ( encontrar y y X ), usando b
para .
- Aplicar MCO al modelo transformado (MCGF).
b
bt ,
- Mtodo Iterativo: Obtener los residuos del paso anterior u
b
re-estimar usando ub
bt , obtener nuevos y y X , estimar el
modelo y repetir los pasos hasta lograr convergencia.
b. Si la forma de la autocorrelacin no es conocida:
! Se estima por MCO utilizando el estimador de la matriz de
var-cov de Newey y West (consistente ante la presencia de
heterocedasticidad y autocorrelacin de forma desconocidas).
! El estimador de la matriz de var-cov de Newey-West se
apoya en que b MCO es insesgado y consistente bajo
perturbaciones no esfricas.
Heterocedasticidad
Autocorrelacin

El estimador de la matriz de var-cov de MCO asinttica consistente
con heterocedasticidad y autocorrelacin de Newey-West es:
[ (
AVar b MCO ) = (X0 X) 1
(X0 V
bNW X)(X0 X) 1
2 3
b0
b1
... bT 1
6 b1
b0
... bT 2 7
bNW = 6
donde V 6 .. .. ..
7
.. 7,
4 . . . . 5
bT
1 bT
2 ... b0

T
j 1
bj = 1
p +1 T u
bt u
bt 1 si 0 j b j = 0 si j > p,
py
t =j +1
donde p son los rezagos que se estn utilizando en la estimacin, y
bt son los residuos de la estimacin MCO.
u
Heterocedasticidad
Autocorrelacin
Se generan estimadores consistentes de los errores estndar de

MCO.
Todos los estadsticos usuales, t y F , son vlidos de manera
asinttica.
Alternativamente, se puede estimar por MCG mediante la
b 0 bNW en
1 X) 1 (X0 V 1 y ) y utilizar a V
frmula: MCG = (X V
lugar de V .

Clase1 Perturbaciones No Esféricas

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Clase1 Perturbaciones No Esféricas

Uploaded by

Copyright:

Available Formats

Perturbaciones no esfricas

Perturbaciones no esfricas: Heterocedasticidad y

Patricia Lengua Lafosse

Curso: Econometra intermedia - Escuela de Posgrado PUCP

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Matriz de var-cov de los trminos de perturbacin

De forma equivalente, Var ( uj X) se puede expresar como:

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Matriz de var-cov de los trminos de perturbacin

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Es razonable poner en duda el S3.

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Var (u) = E uu0 = V 6 = 2 In

La matriz V puede contener elementos distintos en su

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Qu hacemos cuando hay presencia de perturbaciones no

1 Proponer otro estimador que sea insesgado y eciente para

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Mnimos cuadrados generalizados (MCG)

con X = PX, y = Py y u = Pu donde:

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Mnimos cuadrados generalizados (MCG)

El mtodo de MCG consiste en aplicar el MCO al modelo

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Propiedades del estimador MCG

Estimadores MCG son MELI, son ms ecientes que los

Propiedades en muestras grandes:

Para el modelo de perturbaciones no esfricas, el estimador MCG

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Mnimos cuadrados generalizados factibles (MCGF)

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

La heterocedasticidad ocurre cuando las varianzas de los trminos

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Asumiendo que los trminos de perturbacin siguen estando no

donde es una matriz diagonal.

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

El caso ms simple de heterocedasticidad es cuando la varianza de

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

La presencia de heterocedasticidad no altera la posicin "central" de la

1 Utilizar MCG: Transformar el modelo que sufre de

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

2. Mantener MCO (es insesgado aunque ineciente), pero

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

2 Problema: Solo se puede grcar contra una sola variable a la vez.

Test para detectar Heterocedasticidad:

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Correccin a las estimaciones MCO

1. Si Var (u) = 2 es conocida (poco probable). Estimar por

Algunos lo denominan MCGI (Infactibles).

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Correccin a las estimaciones MCO

El estimador MCG es el estimador de MCO de la regresin Py

Tambin es conocido como estimador de Mnimos cuadrados

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Correccin a las estimaciones MCO

2. Si Var (u) = 2 es desconocida

2.1 Estimar Var (u) = 2 y luego estimar por MCGF.

Se suele asumir que Var (u) posee alguna estructura particular,

Patricia Lengua Lafosse Perturbaciones no esfricas (Econometra Intermedia: M2)

Correccin a las estimaciones MCO

2.2 Estimar el modelo original por MCO y usar la matriz de

Se apoya en que b MCO es insesgado y consistente. Si n es