PERTURBACIONES NO ESFRICAS

1. Introduccin

Suelen denominarse de esta forma las perturbaciones que no cumplen los supuestos de
homoscedasticidad y no autocorrelacin. Una ampliacin del modelo clsico de
regresin que recoge esta posibilidad, es el denominado modelo de regresin
generalizado, MCG,
2
( )
( )
T
E
E o
=
=
y =X +u
u 0
uu

donde O es una matriz definida positiva, cuya forma nos indicar si,
a) estamos en el marco del modelo clsico O = I,

b) se viola la hiptesis de homoscedasticidad (frecuente en datos transversales), en
cuyo caso,
2
1
2
2 2
2
0 0
0 0
0 0
n
o
o
o
o
| |
|
|
=
|
|
|
\ .

o expresin equivalente en la que los trminos de la diagonal principal no son
todos iguales, como exige la hiptesis.

c) se viola la no autocorrelacin (habitual en datos de series temporales). En el caso
de que las perturbaciones siguiesen un proceso de Markov de primer orden, se
tendra,
1 1
1 2 2 2
1 2
1
1
1
n
n
n n


o o

| |
|
|
=
|
|
\ .

d) no se cumple ninguno de los dos supuestos.

[1]


En general el estimador MCO sigue siendo insesgado, consistente y asintticamente
normal. Sin embargo se pierde la propiedad de eficiencia y ya no puede garantizarse que
b
MCO
se el estimador de mnima varianza entre los lineales e insesgados. La varianza de
b no es o
2
(XX)
-1
como en el modelo clsico, y en general, no hay forma de saber si la
verdadera varianza es mayor o menor. Los procedimientos habituales de inferencia ya
no sern vlidos.

En estas condiciones caben varias posibilidades antes que desechar
completamente el mtodo MCO de estimacin.

En primer lugar, si la matriz O es conocida, entonces hay un estimador
alternativo simple basado en ella, que recupera la propiedad de eficiencia. Por tanto en
este caso en lugar de estimar por MCO, usaremos dicho procedimiento alternativo
(MCG).

Si O no es completamente conocida pero conocemos su estructura, podemos
utilizar la informacin muestral para estimar dicha matriz y, posteriormente, utilizar
algn procedimiento de estimacin alternativo a MCO que emplee .

Finalmente si O es completamente desconocida, tanto en sus valores como en su
estructura, podemos utilizar MCO (o VI) e idear algn mtodo con el que modificar el
clculo de las varianzas de los estimadores.



2. Estimacin eficiente (MCG)

Requiere el conocimiento de O. En estas condiciones es posible encontrar un
estimador eficiente alternativo al MCO (ineficiente). Dado que O es definida positiva
puede descomponerse en,

T
= CC

donde las columnas de C son los vectores propios de O y la matriz diagonal A contiene
los valores propios de O. Sea T = CA
1/2
de manera que O = TT
T
, y P
T
= CA
1/2
de
manera que O
1
=P
T
P.

Premultiplicando el modelo por P,


[2]

Py = PX|+Pu

Es decir obtenemos un modelo transformado, que podemos expresar como,

y* = X*|+u*

donde y* = Py, X* =PX y u*=Pu. La varianza de los residuos en el nuevo modelo ser,

[3]

2 2 2 1
[ * * ] [ ] ( )
T T T T T T
E E E o o o

= = = = u u Puu P P uu P P P I =



de manera que los residuos transformados cumplen los supuestos del modelo clsico.

Por otra parte si conocemos O se obtienen inmediatamente y* y X*, de manera
que el estimador eficiente es en este caso, el estimador MCO aplicado al modelo
transformado. La transformacin vendr determinada por la forma de O. Este estimador,
b
MCG
de |, es el denominado estimador por mnimos cuadrados generalizados (MCG) o
de Aitken
1
.

Puede demostrarse que b
MCG
es un estimador insesgado, consistente,
asintticamente normal y de mnima varianza dentro de la clase de los estimadores
lineales e insesgados. Es decir, volvemos a tener un estimador con las mismas
propiedades que b
MCO
tena en el modelo clsico.

Por lo tanto todos los procedimientos del modelo clsico, inferencia incluida, se
aplican al modelo transformado.

La estimacin mximo verosmil bajo el supuesto de que las perturbaciones son
normales, conduce al mismo resultado.



3. Estimacin cuando O es desconocida (MCGF)

Si no se conoce la matriz O sta debe ser estimada a partir de los datos. Sin embargo,
con una muestra de n observaciones, dicha matriz contendr n(n+1)/2 parmetros
desconocidos, y por lo tanto, no podrn ser estimados a partir de la informacin
muestral. Son por tanto necesarias algunas restricciones que permitan dicha estimacin.

1
Todo esto puede parecer algo tcnico para un curso de Introduccin a la Econometra. De momento
baste considerar P como una transformacin adecuada (por ejemplo, multiplicar el modelo original por
una constante convenientemente elegida) para obtener un modelo que cumpla los supuestos del modelo
clsico. Todo quedar mucho ms claro en los prximos epgrafes.
Si es posible imponerlas, podemos estimar O y proceder luego de forma anloga. Este
procedimiento se conoce con el nombre de mnimos cuadrados generalizados factibles
(MCGF).

Por ejemplo, en el supuesto de que se incumpla la hiptesis de no
autocorrelacin y consideramos razonable que los residuos sigan un proceso AR(1),

u
t
= u
t-1
+v
t


entonces la matriz O ser,

1
2
1 2
1
1
1
n
n
n n

| |
|
|
=
|
|
|
\ .

es decir, solo requiere conocer (estimar) un parmetro.

En estas condiciones estimaremos

( ) = utilizndola a continuacin para

aplicar el mtodo MCG.

En general, para garantizar la eficiencia asinttica del estimador MCGF as
obtenido, basta con disponer de un estimador consistente de [o de u si este fuese el
conjunto necesario de parmetros a estimar para obtener ].

4. Estimadores robustos en presencia de perturbaciones no
esfricas.

Como ya hemos sealado, si O es completamente desconocida, tanto en sus
valores como en su estructura, an podemos utilizar MCO e idear algn mtodo con el
que modificar el clculo de las varianzas de los estimadores de manera que se obtengan
aproximaciones ms ajustadas a la verdadera variabilidad de los estimadores.

White (1980) fue el primero en desarrollar un estimador vlido en presencia de
heteroscedasticidad de forma desconocida, desarrollando un procedimiento que se ha
denominado estimacin robusta a la heteroscedasticidad.

[4]

El trabajo de White fue continuado por otros investigadores y gracias a los
desarrollos habidos en las ltimas dcadas, hoy se dispone de estimadores robustos en
presencia de perturbaciones no esfricas. Aunque su explicacin detallada excede el
alcance de este manual, este es el enfoque ms utilizado en la actualidad.
Afortunadamente estos mtodos forman parte de la mayor parte de los programas
economtricos. Por ejemplo, con Eviews y con Gretl, disponemos de la posibilidad de
utilizar el estimador de Newey-West robusto a la heteroscedasticidad y la
autocorrelacin (HAC)

Establecida la cuestin en un marco general, pasamos a continuacin a la
explicacin ms concreta en determinados casos tpicos.


5. Heteroscedasticidad


Exponemos en primer lugar un conjunto de contrastes para detectar el problema. En una
primera aproximacin puede llevarse a cabo un representacin grfica de los residuos
con objeto de analizar si puede mantenerse la hiptesis de varianza constante. Por
ejemplo, si tras efectuar la correspondiente regresin las discrepancias observasen un
trazado como el de la figura,

-15
-10
-5
0
5
10
15
25 50 75 100

Figura Discrepancias de una regresin hipottica

no podra mantenerse la hiptesis toda vez que es claro que la varianza de las
perturbaciones es cada vez mayor.

[5]

No obstante lo habitual es recurrir a contrastes estadsticos especficos, de los que
comentamos tres.


5.1 Contraste de Goldfeld y Quant

Se aplica cuando la varianza heteroscedstica est relacionada con una de las variables
explicativas. Por ejemplo, supongamos que en el modelo (1), la varianza de la
perturbacin responde a,
[6]

it
2
2
2
var( )
t u
u X o =
es decir la varianza est relacionada positivamente con la variable explicativa i-sima,
X
it
de manera que cuanto mayor sea su valor mayor ser la varianza y viceversa. El
contraste se basa en dividir la muestra en dos grupos ordenados en funcin de los
valores de la variable explicativa a la que se supone ligada la varianza de las
perturbaciones. Como hiptesis nula se establece la igualdad de varianzas en los dos
grupos, es decir H
0
:
2
1
o o = , siendo la hiptesis alternativa H
1
:
2
1
2
2
o o > . Para
incrementar la diferencia entre ambos grupos, se eliminan un nmero c de
observaciones centrales. El funcionamiento del test es como sigue:

1. Se reordenan las observaciones segn los valores de la X
t
(si hay ms de una
variable explicativa, se reordenaran en funcin de aquella a la que se supone va
ligada la heteroscedasticidad.
2. Omitir c ~ n/3 observaciones centrales
3. Estimar por MCO la ecuacin de regresin por separado en cada uno de los
grupos y calcular en cada caso la suma cuadrtica de los
residuos:
2
2t
, donde el subndice 1 indica el grupo menores
valores.
2
1 1 2
,
t
D d D d = =

4. Bajo el supuesto de homoscedasticidad, el cociente:

2
( 2 ),( 2
1
n c k n c k)
D
R F
D

=
Intuitivamente, si H
0
es cierta, el cociente estar prximo a uno, mientras que en
caso contrario, ste ser elevado. Un valor superior al tabulado para el nivel de
confianza elegido, nos llevar a rechazar la hiptesis nula y, en consecuencia, a
rechazar la homocedasticidad violndose uno de los supuestos bsicos.

El problema de este contraste es que debe identificarse previamente la variable a
la que est ligada la heteroscedasticidad.

5.2 Contraste de Breusch y Pagan

Es un test mucho ms general en el cual se supone que la varianza es funcin de un
conjunto de variables no estocsticas (pueden servir las propias X
t
). Por ejemplo,
supongamos un modelo mltiple con dos variables explicativas,

[7]

t
u
1 1 2 2 t t t
Y X X o | | = + + +

Podemos suponer:
2
1 2 2 3 u t
z z o o o o = + +
3t
t t
v

donde z
2
y z
3
pueden ser las propias variables explicativas del modelo. Este contraste
tiene la ventaja con respecto al de GQ, el hecho de que aqu no es necesario identificar
cul es la variable que induce la heterocedasticidad. La hiptesis nula es H
0
: o
2
= o
3
=
0, que implica varianza constante e igual a o
1
. Para instrumentar el test, se estima por
MCO la regresin anterior obtenindose a continuacin la serie de las discrepancias d
t

y, posteriormente se estima la regresin:
2
1 2 2 3 3 t t
d z z o o o = + + +
que permite obtener la suma cuadrtica de los residuos, D = SCR y por tanto tambin la
SCE. El cociente,

( )
2 2
2 1
2
2
p
SCE
_ _
o



(2 p-1 g.l. segn el nmero de variables explicativas de las que depende la varianza)
por tanto si el valor obtenido es mayor que el tabulado, se rechaza la H
0
(la
homocedasticidad).
En muestras pequeas este contraste es sensible al supuesto de normalidad de las
perturbaciones, supuesto que puede contrastarse de la forma que veremos ms adelante.


5.3 Contraste de White

Es uno de los ms utilizados debido a que evita los problemas de los dos anteriores. Sea
por ejemplo el mismo modelo que en el caso anterior,
[8]

t
u

1 1 2 2 t t t
Y X X o | | = + + +

La implementacin del contraste comienza con la estimacin MCO del modelo original,
obteniendo a continuacin la serie de las discrepancias, d
t
=
t
. Entonces procederamos
de la siguiente manera,

a) Se efecta la regresin auxiliar entre d
2
y los regresores del modelo original, los
regresores al cuadrado y todos sus productos cruzados, es decir en este caso,


2 2 2
1 2 1 3 2 4 1 5 2 6 1 2 t t t t t t
d X X X X X X = + + + + + +
t t
w

b) Se obtiene el coeficiente de determinacin de la regresin anterior, R
2


c) Bajo la hiptesis nula de homoscedasticidad (ausencia de heteroscedasticidad),
se demuestra que,

2 2
. .
as
g l
nR _

siendo el nmero de grados de libertad igual al nmero de regresores en la regresin
auxiliar (en nuestro caso 5). La expresin anterior significa que el producto nR
2
se
distribuye asintticamente como una Ji cuadrado.

d) El cumplimiento de la hiptesis de homoscedastidad exige que no se pueda
rechazar la hiptesis nula, es decir que el valor de nR
2
sea inferior al tabulado
para el nivel de significatividad elegido.


El contraste admite algunas variantes como la introduccin de potencias ms altas
que 2, o la eliminacin de los productos cruzados.


5.4 Modelo transformado (O conocida)
Cuando la varianza de las perturbaciones es conocida podemos recurrir como hemos
dicho, al Mtodo de mnimos cuadrados generalizados (MCG) para corregir la distinta
variabilidad de las u
i
. En esencia el mtodo supone aplicar MCO sobre un modelo
transformado en el cual se ha otorgado una ponderacin diferente a las distintas
observaciones en funcin de la variabilidad de las respectivas perturbaciones, que se
supone conocida. As si la varianza de u
i
es mayor que la varianza de u
j
, la observacin i
recibir una ponderacin menor que la observacin j y viceversa. De esta forma se hace
uso del conocimiento previo relativo a la diferente variabilidad y se obtienen
estimadores eficientes de los parmetros poblacionales.

Por ejemplo, considrese el modelo simple,

[9]

i
u
i i
Y X o | = + +

donde la varianza de las perturbaciones,
2
var( )
i
u
i
o = . Dividimos entonces el modelo
original por o
i
para obtener,

1
i i
i i i
Y X
o |
i
i
u
o o o o
| | |
= + +
|
\ . \
|
|
.
*
i
u


o bien,

* * *
i i i
Y Z X o | = + +

De manera que la transformacin P del epgrafe 2, se concreta aqu en dividir entre o
i
.
Puesto que en este modelo transformado se cumple el supuesto de varianza constante,

* 2
2
1
var( ) var 1
i
i i
i i
u
u c o
o o
| |
te = = = =
|
\ .


puede aplicarse al mismo el mtodo MCO para obtener los correspondientes
estimadores. Obsrvese la varianza de | se obtendr de,

2
*
*2
var( )
u
i
x
o
| =

en lugar de,
2
2
var( )
u
i
x
o
| =

En este caso el estimador de la varianza es
2
,

( )
2 2
2
2

var( )
i i
i
x
x
o
| =

Dado que el procedimiento anterior ha consistido en estimar por MCO un
modelo ponderado, que ha otorgado diferente importancia a las observaciones en

2
En efecto
( ) ( )
2 2 2 2 2 2 2 2
1 1 1 1
var( ) ... 2 ...
n n i j i j n n
E w u w u ww u u E w u w u | = + + + = + +

y dado que
2
( ) E u
2
i i
o = se tiene
( )
2
2 2
2 2 2 2 2 2 2
1 1 2 2
2

var( ) ...
i i
i
n n i i i
i
i
x
x
w w w
x
x
o
| o o o o
(
| |
(
= + + = = =
|
|
(
\ .






funcin (inversa) de la variabilidad de la perturbacin correspondiente, dicho
procedimiento recibe el nombre de Mnimos cuadrados ponderados (MCP) que, en este
contexto, puede considerarse sinnimo de MCG.

[10]

2
i
En la prctica la transformacin a aplicar depende del supuesto que se haga
sobre el comportamiento de la heteroscedasticidad. Por ejemplo, si suponemos que la
varianza del error es proporcional a
2 2
i
X o = , dividiremos todos los trminos del
modelo por X
i
. Sin embargo, si la varianza fuera proporcional a X
i
el modelo
transformado resultara de dividir el original entre
i
X . En el primer caso, es decir
, el modelo transformado sera,
2 2
var( )
i
u =
i
X

1 1
i i
i i
Y u
i
X X X
o |

| |
| |
= + +
| |
\ .
\ .



con,
2 2
2 2 2 2
1 1
var var( ) 1
i
i i
i i i
u
u X
X X X


| |
= = =
|
\ .
cte =

Anlogamente, para el segundo se tendra,


1
i t
i i i
Y X
i
i
u
X X X
o |
X
| | | |
= + + | |
| |
\ . \ .



y,
1
var( *) var 1
i
i
i i
u
u X
X X


| |
= = = |
|
\ .



5.5 Ilustracin emprica

En el siguiente ejemplo hemos considerado una muestra transversal de datos
relativos a los gastos en alimentacin, vestido y tabaco y nivel de renta. Los datos se
muestran en la siguiente tabla,


Renta
(X)
Gastos
(Y)
5 3.06 3.40 3.40 3.40 3.57
10 5.10 5.44 5.95 5.95 6.12
15 7.14 7.14 7.65 8.16 8.50
20 8.16 8.50 9.69 10.2 10.54


Se supone que los gastos son funcin lineal de la renta, es decir,
[11]

i
u

i i
Y X o | = + +

Obtenida la regresin con Gretl se tiene,

Modelo 1: MCO, usando las observaciones 1-20
Variable dependiente: Y

Coeficiente Desv. Tpica Estadstico t Valor p
const 1,513 0,34733 4,3561 0,00038 ***
X 0,40324 0,0253654 15,8972 <0,00001 ***

Media de la vble. dep. 6,553500 D.T. de la vble. dep. 2,393685
Suma de cuad. residuos 7,238294 D.T. de la regresin 0,634135
R-cuadrado 0,933511 R-cuadrado corregido 0,929817
F(1, 18) 252,7223 Valor p (de F) 4,86e-12
Log-verosimilitud -18,21530 Criterio de Akaike 40,43061
Criterio de Schwarz 42,42207 Crit. de Hannan-Quinn 40,81936


Sin embargo el contraste de heteroscedasticidad de White arroja el siguiente resultado,


Contraste de heterocedasticidad de White (N = 20)
Variable dependiente: uhat^2

VARIABLE COEFICIENTE DESV.TP. ESTAD T VALOR P
const 0,266400 0,517112 0,515 0,61307
RENTA -0,0613651 0,0943504 -0,650 0,52413
sq_RENTA 0,00460042 0,00371505 1,238 0,23243

R-cuadrado = 0,412966
Estadstico de contraste: nR
2
= 8,259324,
con valor p = P(Chi-cuadrado(2) > 8,259324) = 0,016088

Es decir no puede mantenerse la hiptesis de homoscedasticidad. El anlisis del
trazado de los residuos habra llevado a la misma conclusin,

-1.5
-1.0
-0.5
0.0
0.5
1.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Residuos

Figura Representacin grfica de los residuos de la regresin entre gastos y renta


La variabilidad de las los residuos parece crecer a medida que consideramos
grupos con rentas mayores. Supongamos entonces que la varianza sigue un patrn del
tipo y estimemos el modelo,
2
var( )
i
u X =
i

1
i i
i i
Y u
i
X X X
o |
| |
= + +
|
\ .


La estimacin es ahora,

Modelo 2: estimaciones MCO utilizando las 20 observaciones 1-20
Variable dependiente: G2

Variable Coeficiente Desv. tpica Estadstico t valor p
const 0,424128 0,0199297 21,2812 <0,00001 ***
Z 1,27997 0,167034 7,6629 <0,00001 ***

Suma de cuadrados de los residuos = 0,0340035
Desviacin tpica de los residuos = 0,0434636
R
2
= 0,765382

Y el grfico de los residuos,

[12]

-.10
-.08
-.06
-.04
-.02
.00
.02
.04
.06
.08
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Residuos

Figura Representacin grfica de los residuos de la regresin transformada

El contraste de White arroja el siguiente resultado,
Estadstico de contraste: TR^2 = 0,855237,
con valor p = P(Chi-cuadrado(2) > 0,855237) = 0,652060

Es decir que ahora no puede rechazarse la hiptesis nula.

Alternativamente podramos emplear una estimacin MCO robusta a la
heteroscedasticidad. Para ello debemos seleccionar la opcin correspondiente en la
ventana de estimacin de Gretl [en la esquina inferior izquierda activar la opcin: ],
obtenindose,

Modelo 2: MCO, usando las observaciones 1-20. Variable dependiente: Y
Desviaciones tpicas robustas ante heterocedasticidad, variante HC1

Coeficiente Desv. Tpica Estadstico t Valor p
const 1,513 0,267747 5,6508 0,00002 ***
X 0,40324 0,0284073 14,1949 <0,00001 ***

Media de la vble. dep. 6,553500 D.T. de la vble. dep. 2,393685
Suma de cuad. residuos 7,238294 D.T. de la regresin 0,634135
R-cuadrado 0,933511 R-cuadrado corregido 0,929817
F(1, 18) 201,4965 Valor p (de F) 3,23e-11
Log-verosimilitud -18,21530 Criterio de Akaike 40,43061
Criterio de Schwarz 42,42207 Crit. de Hannan-Quinn 40,81936

[13]

Puede comprobarse que los estimadores coinciden con los de la estimacin original,
pero sus errores estndar (sus varianzas) han cambiado.


6. Autocorrelacin

La deteccin del problema puede hacerse tambin a partir de la representacin grfica
de las discrepancias de la regresin, si bien en este caso es ms difcil. Entre los
diversos contrastes estadsticos, el ms conocido es, con diferencia, el de Durbin y
Watson, que comentamos en primer lugar.



6.1 Contraste de Durbin y Watson

En realidad es un contraste diseado para detectar la presencia en los residuos de
autocorrelacin de primer orden, es decir si los residuos siguen un proceso de Markov
del tipo,
[14]

1
1
, 1
t t t
u u c

= + < <


Se asume sin embargo, que si los residuos siguen un proceso de Markov de orden
diferente, tambin ser detectado por este contraste (aunque condicionar la
transformacin a emplear para recuperar los residuos no autocorrelacionados). Este
estadstico no vlido en aquellos modelos que incluyan retardos de la endgena entre los
regresores.

Se basa en el clculo de,
( )
2
1
2
2
1
t t
t
N
t
t
d d
DW
d

=
=

N


donde d
t
son las discrepancias de la regresin MCO. Desarrollando esta expresin se
tiene,
( )
( )
2
2 2
2 2
1
1 1
1 1
2
2 2 2 2
2
1
2
2
1 1 2
t t
t t t t
t t t t
t
N
t t t t
t
t
d d
d d d d
d d d d
DW r
d d d d
d

=
=

+
= = = + ~

N
+

es decir que DW=2(1r), siendo r el coeficiente de correlacin
3
entre u
t
y u
t-1
. Si la
correlacin es perfecta y positiva (r =1), el estadstico valdr 0; si es perfecta y negativa
(r = 1), DW = 4 y si no hay autocorrelacin (r = 0), DW = 2. Por otra parte es fcil ver
que en este caso el coeficiente de correlacin r = .
Aunque los resultados anteriores dan una idea aproximada de cul es el valor del
estadstico que permite mantener la hiptesis de no autocorrelacin (DW
suficientemente prximo a 2), ste ha sido tabulado en funcin del nmero de
observaciones y de los regresores que incluya la ecuacin. Para cada caso concreto se
proporcionan dos valores, D
L
y D
U
, definindose las siguientes regiones,

DW<D
L
Serechazalanoautocorrelacin
D
L
<DW<D
U
Reginnoconcluyente
D
U
<DW<4D
U
Seaceptalanoautocorrelacin
4D
U
<DW<4D
L
Reginnoconcluyente
DW>4D
L
Serechazalanoautocorrelacin

Un primer inconveniente, al que se aaden otros, consiste en que las
denominadas regiones no concluyentes nos dejaran con amplias zonas de
indeterminacin. Adems, es un procedimiento no vlido cuando entre los reagresores
figuran valores retardados de la endgena, dado que en este caso el estadstico de DW
est sesgado hacia 2.



3
Recordar que el clculo del coeficiente de correlacin entre dos variables X e Y es
cov( , )
var( ) var( )
X Y
X Y

en este caso
1
2
1 1
1
cov( , ) cov( , )
var( ) var( ) var( )
t t
t
t t t t
t t t
d d d d d d
d d d d

~ =

.
[15]

6.2 Contraste h de Durbin

Es un contraste indicado para evitar el problema del estadstico de DW cuando entre los
regresores figuran retardos de la propia endgena (en puridad cuando los regresores no
son estrictamente exgenos). Supongamos que el modelo es,
[16]

t
u
1 1 1
...
t t k kt t
Y X X Y o | | o

= + + + + +
Entonces el estadstico de contraste sera,
2
1
n
h r
ns
o
=

siendo r el valor estimador del coeficiente de autocorrelacin serial y s
o
la varianza del
estimador de o, estimada de la forma habitual. La obtencin de este estadstico exige
que el denominador de la raz sea positivo (ns
o
< 1) lo que puede dar lugar a situaciones
en las que su clculo sea imposible (Durbin propuso otro estadstico que evita este
problema)

6.3 Contraste de Breusch Godfrey
Puede utilizarse para contrastar la hiptesis de autocorrelacin de orden p incluso para
procesos MA. El valor de p debe determinarse previamente. El procedimiento parte,
como en el caso del estadstico de DW, de la serie de las discrepancias a la que se
considera un estimador de las perturbaciones. Dado p, se estima el modelo,

1 1 2 2
...
t t t p t p
u u u u
t


= + + + +c

y se obtiene el R
2
. Breusch y Godfrey demostraron que,
2 2
( )
p
n p R _

resultado que se utiliza para contrastar la hiptesis nula de no autocorrelacin,
0 1 2
: ... 0
p
H = = = =

Como es habitual, dicha hiptesis resultar rechazada si el valor obtenido para el
estadstico de contraste, es superior al tabulado para el nivel de significatividad elegido.


6.4 Correccin del problema (O conocida)

En el supuesto de que detecten perturbaciones autocorrelacionadas, procede tomar
alguna medida que solucione el problema que suele consistir en modificar el modelo de
manera que se obtenga uno con perturbaciones no autocorrelacionadas. En lo que sigue
se ilustra el procedimiento para el caso de un modelo de regresin simple, que puede
generalizarse inmediatamente a modelos de regresin mltiple sin ninguna dificultad.

Sea pues el modelo,
[17]

t
u
t t
Y X o | = + + (5)
en el que las perturbaciones responden a un proceso como (2). En este caso la
transformacin requerida es bastante sencilla. En virtud de (5) se tiene que,
1 1 t t
Y X
1 t
u o |

= + +
y multiplicando por ,
1 1 t t
Y X
1 t
u o |

= + +

si ahora restamos a (5) esta nueva ecuacin,

1 1
1 1
(1 ) ( )
t t t t t t
t t t t t t
Y Y X X u u
Y Y X X u u
1
1
o o | |
o |


= + +
= + +

t


que podemos escribir como,

* * *
t t
Y X o | c = + + (6)

donde en virtud de (2), los nuevos residuos sern no autocorrelacionados y la ecuacin
(6), que recibe el nombre de ecuacin en diferencias generalizadas, puede ser estimada
por MCO. De manera que la transformacin se concreta en obtener unas nuevas
variables a partir de,
*
1
*
1
t t t
t t t
Y Y Y
X X X

=
=

con las que estimar (6) por MCO.

En dicho proceso se pierde una observacin, debido a que no disponemos de
valores para calcular
*
1 1
Y Y Y
0
= o
*
1 1 0
X X X = . Ello no tendr importancia si la
muestra es grande, aunque puede tenerla en el caso de que sea pequea. Para evitar este
inconveniente se aplica la denominada transformacin de Prais Winsten que consiste en
obtener esos valores como,
* 2
1 1
* 2
1 1
1
1
Y Y
X X

=
=


El procedimiento descrito en los prrafos anteriores implica conocer el valor de
. Puesto que ste es desconocido, hemos de arbitrar algn procedimiento para
estimarlo. Se mencionan las siguientes posibilidades:

a) Estimacin a partir del estadstico de DW. Como hemos visto DW=2(1r) lo
que en este caso equivale a DW=2(1), que puede utilizarse para despejar .

b) Mtodo de Cochrane Orcutt. Aunque en el manual se menciona la versin
abreviada, el mtodo en realidad consiste en un procedimiento iterativo que
consta de las siguientes etapas:

i. Se estiman los residuos de la regresin a partir de los resultados de la
regresin original (5).
ii. Se usa esa serie para obtener un estimador del parmetro autorregresivo,
1

t t
u u

= .
iii. A continuacin se estima la ecuacin en diferencias generalizadas (6),
obtenindose
*

y o | .
[18]

iv. Se llevan los valores de
*

y o | a la ecuacin original (5), obteniendo

una nueva serie de residuos
*
t
u con la que se repite todo el
procedimiento, calculndose el estimador en segunda en vuelta

.
v. El proceso se repite hasta que las estimaciones sucesivas de difieren en
una cantidad suficientemente pequea prefijada de antemano.

El procedimiento abreviado mencionado en el manual, comprendera solo las
tres primeras etapas. No obstante no suele haber mucha diferencia de manera
que, para clculos manuales, nos centraremos en la versin abreviada. No
obstante, los programas informticos llevan a cabo el procedimiento iterativo.

c) Mtodo de Durbin. De la ecuacin
t
Y Y
1 1 t t t t
X X o o | | c

= + + se
deduce,
1 1 t t t t
Y Y X X
t
o o | | c

= + + +

que es un modelo de regresin mltiple estimable por MCO. El parmetro
correspondiente a Y
t-1
, es un estimador sesgado pero consistente del parmetro
autorregresivo buscado.

d) Mtodo de Hildreth y Lu. Es un proceso iterativo de bsqueda que consiste en ir
probando con diferentes valores de hasta conseguir uno que haga
suficientemente pequea la suma cuadrtica de las discrepancias en
1

t t
u u c

= + . Es un procedimiento ineficiente y que consume demasiado

tiempo, por lo que no suele ser utilizado.

Una vez obtenida una estimacin del parmetro autorregresivo, estamos en
condiciones de llevar a cabo la correccin del modelo. En el siguiente epgrafe se
ofrecen dos ejemplos.





[19]


[20]

6.7 Ilustracin emprica

a) Tasa de paro e ndice de vacantes
Los datos de la tabla siguiente (tomados de Gujarati, p. 425), representan el ndice de
vacantes y la tasa de paro, ambos en logaritmos, entre el primer trimestre de 1962 y el
cuarto de 1967,

obs LIV LU obs LIV LU
1962:1 4.650717 1.728109 1965:1 4.965150 1.574846
1962:2 4.639861 1.697449 1965:2 4.974386 1.553925
1962:3 4.577799 1.728109 1965:3 5.026049 1.495149
1962:4 4.563931 1.722767 1965:4 5.183636 1.435085
1963:1 4.593401 1.763017 1966:1 5.257495 1.342865
1963:2 4.577079 1.750937 1966:2 5.225747 1.360977
1963:3 4.595726 1.715598 1966:3 5.236442 1.350667
1963:4 4.733212 1.728109 1966:4 5.264399 1.308333
1964:1 4.762174 1.697449 1967:1 5.234632 1.297463
1964:2 4.784654 1.660131 1967:2 5.166670 1.342865
1964:3 4.822939 1.621366 1967:3 5.181784 1.368639
1964:4 4.890349 1.621366 1967:4 5.234632 1.376244

La estimacion obtenida con el programa Gretl, es,

Modelo 2: estimaciones MCO utilizando las 24 observaciones 1962:1-1967:4
Variable dependiente: LIV

Variable Coeficiente Desv. tpica Estadstico t valor p
const 7,30844 0,111029 65,8246 <0,00001 ***
LU -1,53752 0,0711422 -21,6120 <0,00001 ***

Media de la var. dependiente = 4,92262
Desviacin tpica de la var. dependiente. = 0,267986
Suma de cuadrados de los residuos = 0,0743016
Desviacin tpica de los residuos = 0,0581149
R
2
= 0,955017
R
2
corregido = 0,952973
Grados de libertad = 22
Estadstico de Durbin-Watson = 0,910767
Coef. de autocorr. de primer orden. = 0,545709
Log-verosimilitud = 35,2776
Criterio de informacin de Akaike = -66,5552
Criterio de informacin Bayesiano de Schwarz = -64,1991
Criterio de Hannan-Quinn = -65,9301


El estadstico de Durbin y Watson muestra un valor indicativo de la presencia de
autocorrelacin serial.
Usando el procedimiento abreviado usamos los residuos de la estimacin
anterior para obtener,
1
0.544
t t
u u

=
lo que implica 0.544 = , prcticamente el mismo que el obtenido a partir del
estadstico DW:
1 0.545
2
DW
= ~
*
1
0.544
t t t
Y Y Y

= y
*
1
0.544
t t t
X X

= Con este valor construimos las series X y a partir
de ellas se tiene,
* * 2

3.287 1.471 , 0.86, 1.76

t t
Y X R DW = = =
Para k = 1 y n= 23, las tablas proporcionan D
L
= 1.275 y D
U
= 1.437, de manera que un
DW en el intervalo (1.437, 2.563) garantizara la no autocorrelacin al nivel de
significacin elegido (en este caso el 1%). Puesto que el DW de la tabla anterior est
dentro de dicho intervalo, no se puede rechazar la hiptesis de no autocorrelacin.
El procedimiento completo puede implementarse con Gretl de la siguiente
manera. Tras estimar la ecuacin anterior, seleccionar Modelo/Series
temporales/Cochrane Orcutt. El programa propociona,

Realizandoelclculoiterativoderho...
ITERACION RHO SCR
1 0.54571 0.0520397
2 0.58152 0.0519093
3 0.59447 0.0518907
4 0.60033 0.0518867
5 0.60321 0.0518857
6 0.60470 0.0518855
final 0.60547

[21]

Modelo3:estimacionesCochraneOrcuttutilizandolas23observaciones1962:21967:4
Variabledependiente:LIV

Variable Coeficiente Desv.tpica Estadsticot valorp

const 7,16614 0,224445 31,9282 <0,00001 ***
LU 1,44204 0,14659 9,8372 <0,00001 ***

Estadsticosbasadosenlosdatosrhodiferenciados:

Sumadecuadradosdelosresiduos=0,0518854
Desviacintpicadelosresiduos=0,0497065
R
2
=0,967118
R
2
corregido=0,965553
Gradosdelibertad=21
EstadsticodeDurbinWatson=1,83614
Coef.deautocorr.deprimerorden.=0,00844152
CriteriodeinformacindeAkaike=70,8957
CriteriodeinformacinBayesianodeSchwarz=68,6247
CriteriodeHannanQuinn=70,3246

Resultados que presentan solo ligeras diferencias en relacin al modelo obtenido con el
procedimiento abreviado, si bien ahora el valor de 0.605 = y el coeficiente de
determinacin es ms elevado.

b) Dumping en las exportaciones Chinas

El siguiente ejemplo se refiere a un trabajo de Krupp y Pollard (1996) que ha sido
reproducido por Wooldridge. El trabajo se refiere a un problema suscitado en la
industria americana con las importaciones chinas de cloruro de bario a principios de los
aos ochenta. Dicha sustancia se utiliza como agente limpiador en diversos procesos
qumicos y en la produccin de gasolina.

Los americanos consideraban que los chinos estaban practicando dumping en el
comercio del cloruro de bario: es decir estaban vendiendo el producto por debajo del
coste, y por ello interpusieron una demanda ante la Comisin Internacional del
Comercio, en octubre de 1983, que fall a favor de la demanda americana en octubre de
1984. La econometra puede utilizarse para intentar dar una respuesta a cuestiones de
este tipo. En concreto podemos especificar y estimar el modelo,
[22]


[23]

t t
u
1 1 2 2 3 3 1 1 2 2 3 3 t t t t t t
Y X X X D D D o | | | o o o = + + + + + + +

donde Y representa el volumen de importaciones de cloruro de bario, que se relaciona
con dos grupos de variables. En el primero las tres variables X
i
son las tpicas variables
explicativas. Entre estas X
1
es un ndice de produccin de la industria qumica donde el
producto se usa como limpiador, X
2
el volumen de produccin de gasolina y X
3
un
ndice del tipo de cambio que mide la posicin del dlar en relacin con otras divisas. El
signo esperado de cada una de ellas, es positivo: si aumenta la produccin de la
industria qumica o la de gasolina, es de esperar que se demande ms cloruro de bario y,
anlogamente, si la posicin del dlar se refuerza en relacin con otras monedas, se
espera ms demanda del agente limpiador.

Las variables del segundo grupo son lo que en econometra se denomina
variables ficiticias, es decir artificialmente construidas con el objeto de analizar algn
hecho de inters que, en principio, no es de naturaleza cuantitativa. As D
1
es una
variable ficticia que toma el valor 1 durante los seis meses anteriores a la interposicin
de la demanda y cero en el resto. Si su valor es positivo y estadsticamente significativo,
estar indicando que las importaciones registraron un nivel inusualmente alto antes de
dicha demanda. D
2
es otra variable ficticia que toma el valor 1 en los seis meses
posteriores a la interposicin de la demanda. Un valor negativo y estadsticamente
significativo de esta variable, indicar una reduccin de las importaciones tras la
imposicin de la demanda. Y la ltima variable ficticia D
3
, toma el valor 1 en los seis
meses posteriores a la resolucin positiva de la Comisin Internacional del Comercio, y
tiene por objeto analizar el efecto del fallo sobre la demanda de importaciones del
producto limpiador. La variable dependiente y las tres variables explicativas, estn
expresadas en logaritmos.

El resultado de la estimacin con una muestra de datos mensuales desde febrero
de 1978 a diciembre de 1988, es,





[24]

Modelo1:estimacionesMCOutilizandolas131observaciones1131
Variabledependiente:Y

Variable Coeficiente Desv.tpica Estadsticot valorp

const 17,8028 21,0454 0,8459 0,39922
X
1
3,11719 0,479202 6,5050 <0,00001 ***
X
2
0,196343 0,906618 0,2166 0,82890
X
3
0,983018 0,400154 2,4566 0,01541 **
D
1
0,0595739 0,26097 0,2283 0,81981
D
2
0,0324064 0,264297 0,1226 0,90261
D
3
0,565245 0,285835 1,9775 0,05020 *

Mediadelavar.dependiente=6,1746
Desviacintpicadelavar.dependiente.=0,699738
Sumadecuadradosdelosresiduos=44,2471
Desviacintpicadelosresiduos=0,597354
R
2
=0,304862
R
2
corregido=0,271226
EstadsticoF(6,124)=9,06364(valorp<0,00001)
EstadsticodeDurbinWatson=1,45841
Coef.deautocorr.deprimerorden.=0,270752
Logverosimilitud=114,787
CriteriodeinformacindeAkaike=243,573
CriteriodeinformacinBayesianodeSchwarz=263,7
CriteriodeHannanQuinn=251,752


El signo de las variables explicativas, es el esperado, aunque el parmetro
correspondiente a la produccin de gasolina, no es estadsticamente significativo a
ninguno de los niveles de confianza habituales.

En relacin con las variables ficticias, puesto que D
1
no es estadsticamente
significativa, aunque su signo es el esperado, no hay evidencia de que en los 6 meses
anteriores a la interposicin de la demanda, las importaciones fuesen ms altas de lo
habitual. Lo mismo cabe decir de D
2
, el comercio no se alter en los seis meses
posteriores a la demanda. Sin embargo, como D
3
es negativa y estadsticamente
significativa (al 94.98%), cabe concluir que tras el fallo de la Comisin estimando la
demanda americana, las importaciones de cloruro de bario procedentes de China,
disminuyeron.

Sin embargo el estadstico de DW de la regresin anterior, muestra que existe
autocorrelacin. Empleando la correccin de Cochrane Orcutt se tiene que tras 4
iteraciones obtenemos un valor de 0.293 = , y la estimacin del modelo pasa a ser,

Modelo2:estimacionesCochraneOrcuttutilizandolas130observaciones1978:031988:12
Variabledependiente:Y

Variable Coeficiente Desv.tpica Estadsticot valorp

const 37,3208 23,2212 1,6072 0,11058
X
1
2,94745 0,64554 4,5659 0,00001 ***
X
2
1,05479 0,990898 1,0645 0,28920
X
3
1,13691 0,513499 2,2140 0,02867 **
D
1
0,0163652 0,320716 0,0510 0,95939
D
2
0,0330821 0,323146 0,1024 0,91863
D
3
0,577158 0,343448 1,6805 0,09540 *

Estadsticosbasadosenlosdatosrhodiferenciados:

Sumadecuadradosdelosresiduos=40,7583
Desviacintpicadelosresiduos=0,575646
R
2
=0,353521
R
2
corregido=0,321985
EstadsticoF(6,123)=4,88344(valorp=0,000165)
EstadsticodeDurbinWatson=2,06326
Coef.deautocorr.deprimerorden.=0,0428824
CriteriodeinformacindeAkaike=232,14
CriteriodeinformacinBayesianodeSchwarz=252,213
CriteriodeHannanQuinn=240,296

De manera que, aunque se ha corregido la autocorrelacin (DW = 2.06), el efecto de la
decisin final de la Comisin Internacional del Comercio sobre las importaciones
procedentes de China, es ahora menos significativo (solo lo es al 90%), aunque
cuantitativamente sigue siendo muy importante, representando una reduccin de
aproximadamente un 44 % de las importaciones [
0.577
100( 1) e

].



[25]