Facultad de Ciencias

Econmicas

E C O N O M E TR A I
ANLISIS DE SUPUESTOS

Mg. Beatriz Castaeda

 Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.

Ejemplo
Sea el modelo: Yi 1 2 X 2 i 3 X 3 i i

y sean los modelos auxiliares

1) Yi 1 2 X 3i 2) X 2i 1 2 X 3i

Eliminamos de Y y X2 la influencia lineal de X3 y obtenemos:

de 1) Y * Yi Yi de 2) X *2 i X 2 i X 2 i

Al coeficiente de correlacin entre Y* y X*2 se denomina correlacin parcial

entre Y y X2.

2 Mg. Beatriz Castaeda

rYX 2 : Correlacin simple entre Y y X2
X2
rYX 3 : Correlacin simple entre Y y X3 Y
X3
rX 2 X 3 : Correlacin simple entre X 2 y X3

rYX 2 . X 3 : Correlacin parcial entre Y y X 2 ( controlada por X 3

rYX 2 rYX 3 rX 2 X 3
2 rY 2.3
SY .3
rYX 2 . X 3 S2.3
1 rX22 X 3 1 rYX
2
3

SY.3 : Desv. est. de los residuos en la regresin de Y en X3

S2.3 : Desv. est. de los residuos en la regresin de X2 en X3

3 Mg. Beatriz Castaeda

 Sesgo por variable omitida
Modelo 1. Yi 1 2 X 2 i 3 X 3 i i
Modelo 2. Yi 1 2 X 2 i ui 2 2 32
Modelo 3. X 3 i 1 2 X 2 i a i

Modelo 1. Modelo 2. Modelo 3.

S 33 S y 2 S 23 S y 3
2 S 22 S 33 S 23 2
2
S y2 S 23
S 1
xx S xy S S S S 2
S 22
3
22 y 3 23 y 2 S 22
S 22 S 33 S 232

S 33 S y 2 S 23 S y 3 S 22 S y 3 S 23 S y 2 S 23
2 32
S 22 S 33 S 232
S 22 S 33 S 23 S 22
2

S 22 S 33 S y 2 S 22 S 23 S y 3 S 23 S 22 S y 3 S 23 S 23 S y 2

S 22 ( S 22 S 33 S 23
2
)
S y2
2
S 22
Mg. Beatriz Castaeda 4
 Anlisis del modelo
Supuestos del modelo Violacin del supuesto

1) Las variables X son no colineales Multicolinealidad

2) Las perturbaciones tienen No normalidad de las

distribucin normal perturbaciones

3) Regresores son no estocsticos Regresores estocsticos

4) Las perturbaciones tienen Heterocedasticidad

varianza constante

5) Las perturbaciones son Autocorrelacin

incorrelacionadas

Mg. Beatriz Castaeda 5

 Problema de Multicolinealidad

MCO ( X X )1 XY

Si alguna variable X es combinacin lineal de las otras, entonces

( X X ) K No existe ( X X )1

Por lo tanto no podramos obtener los estimadores de los coeficientes del

modelo, lo que nos llevara a reformular el modelo en funcin de las otras
variables teniendo en cuenta la relacin lineal.

Si no existe colinealidad perfecta pero las correlaciones son muy altas,

esto implicara distorsiones en las estimaciones de los coeficientes, pues su
varianza sera muy grande (estimadores poco precisos).

Mg. Beatriz Castaeda 6

 Problema de Multicolinealidad

Sea el modelo Yi 1 2 X 2 i 3 X 3 i i

S 22 S 23 S 22 r23 S 2 S 3
x x ( n 1) 2
( n 1)
S 23 S3 r23 S 2 S 3 S 32

1 S 2
r23 S 2 S 3
( x x )1 2 2 2
3

( n 1)[ S 2 S 3 r23 S 2 S 3 ] r23 S 2 S 3
2 2
S 22

S 32 2 2
V ( 2 ) Si r23 1
( n 1) S 22 S 32 (1 r232 ) ( n 1) S 22 (1 r232 )

S 2
2
2
V ( 3 ) 2

Si r23 1
( n 1) S 22 S 32 (1 r232 ) ( n 1) S 32 (1 r232 )
1 Factor de incremento
FIV
1 r232 varianza
Mg. Beatriz Castaeda 7
 Consideremos el modelo restringido
u2
Yi 1 21 X 2 i ui V ( 21 )
( n 1) S 22
En cambio para el modelo sin
Yi 1 2 X 2 i 3 X 3 i i
restriccin

V ( 2 )
1 2

2
donde 2
1
u
(1 r232 ) ( n 1) S 22 u2 u 2

Si r23 = 0 V ( 2 ) V ( 21 )

As FIV 1 Indica en que medida ir creciendo la varianza del estimador

1 r232 cuando las variables estn correlacionadas.

Ri2 : es el coeficiente de determinacin en el

1
En general FIV modelo de Xi dadas las otras variables
1 Ri2
Xs

Mg. Beatriz Castaeda 8

 Deteccin del problema de Multicolinealidad

1. Caracterstica tpica de la multicolinealidad es que todos los coeficientes

de regresin pueden ser no significativamente diferentes de cero a nivel
individual, aunque en conjunto todas las variables sean muy
significativas.

2. Al examinar la matriz de correlacin de las variables regresoras, R, y su

inversa R-1, se encuentra que el i-simo elemento de la diagonal
principal de R-1 (tii) es el factor de incremento de varianza (FIV) del
coeficiente de la variable Xi.

1 Indica una alta multicolinealidad

Si t ii FIV ( X i ) 10
1 Ri2

Indica la porcin de la variable que no es explicada

Tolerancia = 1- R2i
por las otras variables

Mg. Beatriz Castaeda 9

 3. Al examinar los valores propios de (XX) o R y calcular el ndice de
condicionamiento

Mximo valor propio de R

IC
Mnimo valor propio de R

Se tiene el siguiente criterio

IC > 30 Existe alta multicolinealidad

10 IC 30 Existe multicolinealidad moderada

IC < 10 Matriz de datos est bien definida

Mg. Beatriz Castaeda 10

 4. Test de Farrar Glauber*

i) Test de ortogonalidad H 0 : Las X son ortogonales entre s

H 1 : Las X no son ortogonales entre s

Estadstica

calc
2

n 1 ( 2 k6 5 ) ln R calc
2
k2( k 1) / 2

K: n de variables explicativas
R: matriz de correlaciones simples

2( k ( k 1) / 2)
calc
2

R.C.
* http://www.rochester.edu/college/psc/clarke/405/FarrarGlauber.pdf

Mg. Beatriz Castaeda 11

 ii. Test F
Para determinar que regresor se encuentra ms colineado con las
dems variables.

Se obtiene la regresin de cada variable en funcin del resto de variables

y se calcula el R para el modelo de cada variable.

2
H 0 : Rmax 0 2
H 1 : Rmax 0

Estadstica
2
Rmax /( k 1)
Fi F( k 1, n k ) K: n de variables explicativas
(1 Rmax ) /( n k )
2

F( k ,n k )
Fi
R.C
Mg. Beatriz Castaeda 12
 iii. Test t
Para determinar que regresor se encuentra ms correlacionado con
una de las otras variables
2
H 0 : rmax 0 2
H 1 : rmax 0

Estadstica

rmax n k
rmax es el coeficiente de correlacin
T t n k
1 rmax
2 parcial entre un par de variables

t(n-k)
- t1-/2 0 t1-
R.C. R.C

Mg. Beatriz Castaeda 13

 Tratamiento

1. Eliminar o excluir regresores del modelo, eligiendo aquellos que tengan

mayor multicolinealidad con las otras variables, es decir, FIV > 10

2. Incluir informacin externa a los datos de manera que se rompa el

problema de multicolinealidad (Se considera que este problema es un
problema de la muestra a mano)

3. Utilizar un modelo multiecuacional

4. Estimar los coeficientes utilizando el mtodo de regresin cresta, el cual

es un mtodo exploratorio que consiste en utilizar una modificacin a la
matriz (XX)
Eligiendo desde 0.01 hasta obtener resultados estables, es
( X X ) I decir, tales que las varianzas de los estimadores no cambien
significativamente al cambiar algunos datos

5. Utilizar restricciones lineales para los coeficientes

6. Utilizar un modelo de componentes principales

Mg. Beatriz Castaeda 14

 Modelos con variables cualitativas
15

En el anlisis de la relacin estructural entre las variables econmicas,

encontramos que adems de variables cuantitativas, en algunos casos,
la variable dependiente se ve impactada por variables de naturaleza
categrica o cualitativa, como por ejemplo:

1. El nivel de los salarios depende de la edad, experiencia en el rea,

gnero, nivel de instruccin.
2. El precio de venta o alquiler de una casa o local depende de sus
dimensiones, rea construida, zona de ubicacin, servicios e
instalaciones.
3. Demanda de un bien suntuario depende del ingreso, precio, estabilidad
poltica en el pas.

Mg. Beatriz Castaeda

 Modelos con variables cualitativas
16

Para evaluar el impacto de stas variables, se definen variables cuantitativas

artificiales denominadas dummy , dicotmicas o binarias.

Gnero: femenino, masculino Variable: Sexo (1 = masculino, 0= femenino)

Variables:
Norte (1= zona norte, 0= otra zona
Zona: Norte, Centro, Sur
Centro (1= zona centro, 0= otra zona
Norte=0 y Centro =0 zona sur

Mg. Beatriz Castaeda

Impacto de la omisin de variables categricas en el
modelo
17

Y: Precio de alquiler X: Superficie Zona: A , B

Y y Y
Y y
y A y A
B
y

y y A
y
B



yB

X X X

Error en la estimacin Oculta la relacin

del efecto de las Genera relacin
variables cuantitativas artificial

Mg. Beatriz Castaeda

 Especificacin del modelo
18

1. Efecto aditivo o diferencial

Cuando se asume que el efecto de las v. cuantitativas es el mismo para
todos los grupos definidos por las categoras de la v. categrica.

Yi 1 2 X i 3 Zona i Zona: 0=Zona A, 1=Zona B

Si est en la Zona A Yi 1 2 X i i

Si est en la zona B, Yi 1 3 2 X i i

3 indica el efecto diferencial por la zona, esto es, el cambio en el precio

medio que produce la zona B sobre la A

H0: 3 = 0 No hay efecto de la zona sobre el precio de alquiler

Mg. Beatriz Castaeda
 La inclusin de las variables dummy permite:
19

a. Tener en cuenta la diferencia en el nivel medio de respuesta debido al atributo para

igualdad de valores X
b. Estimar ptimamente el efecto de las variables cuantitativas X, utilizando toda la
informacin disponible
Sean 3 zonas A, B y C, entonces definimos 2 variables dummy

Zona A: 1=Zona A, 0= otra zona Zona B: 1=Zona B, 0= otra zona

A
1 X1 1 0
... ...
Yi 1 2 X i 3 Zona A 4 Zona B i ... ...
1 X 1 0

B

1 X 0 1
Zona A, Yi 1 3 2 X i i X ... ... ... ...

1 X 0 1
Zona B, Yi 1 4 2 X i i
C
1 X 0 0

... ... ... ...
Zona C Yi 1 2 X i i 1
Xn 0 0

Mg. Beatriz Castaeda

 20

Yi 1 2 X i 3 Zona A 4 Zona B i

3 indica el efecto diferencial de la zona A frente a la C

3 4 indica el efecto diferencial de la zona A frente a la B

H0: 3 = 0 y 4 = 0
No hay efecto de la zona sobre el precio de alquiler

H0: 3 - 4 = 0
No hay efecto diferencial de la zona A frente a la zona B , sobre el precio medio de
alquiler

Mg. Beatriz Castaeda

 21
Y
2. Efecto multiplicativo o interactivo. YB
Cuando se asume que el efecto de las v.
cuantitativas cambia para los grupos definidos Y A
por las categoras de la v. categrica.

X
Yi 1 2 X i 3 Zona * X i i Zona: 0=Zona A, 1=Zona B

Zona A Yi 1 2 X i i Zona B, Yi 1 ( 2 3 ) X i i

3 indica el cambio en el efecto de la variable superficie sobre el precio de

alquiler al pasar de la zona A a la B
H0: 3 = 0
No hay efecto de la zona sobre el precio de alquiler

Mg. Beatriz Castaeda

 22

Y
YB
Zona: 0=Zona A, 1=Zona B
Y A

A
1 0
Yi 1 2 X i 3 Zona * X i i
x
... ... ...

1 x 0
X

B

Zona A Yi 1 2 X i i 1 x x
... ... ...


1 x x
Zona B, Yi 1 ( 2 3 ) X i i

Mg. Beatriz Castaeda

 23
Y
3. Efecto multiplicativo o interactivo entre YB
variables cualitativas, cuando se asume
que hay interaccin en el efecto de dos o Y A
ms variables cualitativas.

Yi 1 2G 3 I 4G * I 5 X i i X

Y: salario X: Experiencia laboral G: 0=mujer , 1=varn

1 0 0 0 X Mujer sin inst. sup

I: 0= sin inst. superior 1 0 1 0 X Mujer con inst. sup

1= con inst. superior X
1 1 0 0 X Varn sin inst. sup

1 1 1 1 X Varn con inst. sup

Varn con inst . sup . Yi ( 1 2 3 4 ) 5 X i i

Mg. Beatriz Castaeda
 Anlisis de Cambio o quiebre estructural
Las polticas econmicas, el cambio tecnolgico, u otros eventos de impacto
social, ocurridos en el tiempo pueden ocasionar un cambio en la estructura de la
relacin entre la variable dependiente y las variables independientes.
Test de Chow - Punto de quiebre

Sean m1 y m2 muestras observadas en dos periodos

H 0 : 1 2 H 0 : 1 2
No hay cambio Hay cambio estructural

Y1 X 1 Y1 X 1 0 1 1
MR
Y X MSR
Y 0
X 2 2 2
2 2 2

[ SCE( MR ) SCE( MSR )] / K [ee (e1'e1 e2' e2 )] / k

F ' es F( k ,T 2 k )
SCE( MSR ) /(T 2k ) (e1e1 e2e2 ) /(T 2k )
'

Mg. Beatriz Castaeda 24

 Analizar si existe quiebre estructural entre los periodos
Ejemplo correspondientes a las muestras

50 300 300 '

T1 50 X X1
'
1 XY
'
1 1 Y1 Y1 2100
300 2100 2000
50 300 300 '
T2 50 X X2
'
2 X Y
'
2 2 Y2Y2 2500
300 2500 2200

Modelo Restringido Yt 1 2 X t t , para t 1, T

100 600 600 '

T 100 X X
'
XY
'
Y Y 4600
600 4600 4200

2, 4

SCE (MR ) 4600 3960 640
0 ,6

Mg. Beatriz Castaeda

 Modelo sin Restriccin D1: 0=m2 , 1=m1 D2: 0=m1, 1=m2

Yt 11 D1 21 D1 X 1t 12 D 2 22 D 2 X 2 t t , para t 1, T

50 300 0 0 300
300 2100 0 0 2000
X 'X X 'Y Y 'Y 4600
0 0 50 300 300

0 0 300 2500 2200

2
0,67 SCE (MSR ) 4600 3965 635

2,57 e1'e1 e2' e2 160 475 635

0,57

(640 635) / 2 0,05

F 0,378
635 / 96 F( 2 ,96)
3.09
Mg. Beatriz Castaeda
 Anlisis de Cambio o quiebre estructural
27

Test de Chow - Predictivo

Se aplica cuando el punto de quiebre es cercano al final del periodo muestral

y no se cuenta con informacin suficiente para estimar el segundo modelo.
Compara la suma de cuadrados del modelo restringido estimado con toda la
muestra con la suma de cuadrados del modelo estimado con la primera parte.

H 0 : No hay cambio estructural

[ SCE (T ) SCE (T1 )] / T2

F F(T , T1 k )
SCE (T1 ) /(T1 k ) 2

Mg. Beatriz Castaeda

 Quiebre estructural - Anlisis recursivos
28

1. Residuos recursivos et Yt x t' t 1

Residuo de la prediccin de Y t obtenida con los coeficientes estimados hasta
el periodo t-1
et
residuo normalizado w t ; t k 1, ..., T
1 x (X'
t
'
t 1 X t 1 ) x t

Si t es normal, entonces wt es normal N(0, )

4
Este grfico presenta los residuos
2 recursivos normalizados, el cual
evidencia la existencia de un quiebre
0
estructural que se inicia a mediados
-2 del ao 98, fecha en la que los
-4
residuos salen de las bandas, adems
de que las bandas de confianza se
-6
1996 1997 1998 1999 2000
ensanchan
Rec urs i ve Res i dual s 2 S .E .

Mg. Beatriz Castaeda

 Quiebre estructural - Anlisis recursivos
29
2. Prueba Cusum
Esta prueba se basa en la suma acumulada de los residuos normalizados. Si la
grfica de los residuos permanece dentro de las bandas , indica estabilidad

1 t
Wt wr ; t k 1, ..., T ; Se de toda la muestra
r k 1

Si el modelo es estable E(Wt) = 0

40
Este grfico evidencia la existencia de un
quiebre estructural, aunque los valores salen de
20
las bandas a mediados del ao 99, podemos
apreciar que la dinmica a de los residuos
0
cambia a mediados del ao 98.
Esta prueba es dbil en el sentido de que si los
errores muestran signos contrarios, se podran
-20

compensar
-40
1996 1997 1998 1999 2000

CUS UM 5% S ignifi c anc e

Mg. Beatriz Castaeda

 Quiebre estructural - Anlisis recursivos
30
3. Prueba Cusum cuadrado

Esta prueba se basa en la suma acumulada de los residuos normalizados al cuadrado.

t
wr2
r k 1
St T
; t k 1, ..., T Si el modelo es estable E(St) =( t-k) / (T-k)

wr2
r k 1 1.2

1.0

0.8

Este grfico evidencia la existencia de un 0.6

quiebre estructural. 0.4

La fecha probable de quiebre es en el 0.2

entorno del punto ms alejado de las 0.0
bandas o aquel donde cambia la dinmica
-0.2
del estadstico, aprox. a mediados del 98. 1996 1997 1998 1999 2000

CUSUM of Squares 5% Significance

Mg. Beatriz Castaeda

 Quiebre estructural - Anlisis recursivos
31

4. Test predictivo de un periodo

Esta prueba se basa en los residuos recursivos y el nivel de significancia de la prueba T para
la hiptesis de estabilidad con el pronstico de la observacin t, dada la informacin hasta
t-1

4
2
0 H 0 : Hay estabilidad
-2
-4
et
T
0.00
-6

Nivel de 0.05 S et
significancia
0.10
Prueba T
0.15
1996 1997 1998 1999 2000

One-Step Probability Recursive Residuals

Este grfico evidencia la existencia de un quiebre estructural.

La fecha probable de quiebre es aproximadamente a mediados del 98.

Mg. Beatriz Castaeda

 Quiebre estructural - Anlisis recursivos
32
5. Test predictivo de n periodos
Esta prueba se basa en los residuos y el nivel de significancia de la prueba F para la hiptesis
de estabilidad con los pronsticos de las observaciones t hasta T, dada la informacin hasta
t-1
4
2
0
H 0 : Hay estabilidad
-2
-4
[ SCE (T ) SCE (T1 )] / T2
.00
-6 F F(T , T1 k )
Nivel de .05
SCE (T1 ) /(T1 k ) 2

significancia
.10
Prueba F
.15
1995 1996 1997 1998 1999 2000

N-Step Probability Recursive Residuals

Menor significancia implica mayor discrepancia entre el modelo para la primera muestra (T1) con el
modelo para la muestra total (T). La presencia de quiebre se evidencia cuando la probabilidad es
cercana a cero hasta t y luego la probabilidad va en aumento conforme se incorporen datos del
segundo proceso generador de datos

Mg. Beatriz Castaeda

 Quiebre estructural - Anlisis recursivos
33

6. Test coeficientes
4 .4 1 .9 5

recursivos
1 .9 0
4 .0

1 .8 5
3 .6
1 .8 0
Estima los coeficientes 3 .2
1 .7 5
del modelo de manera 2 .8
recursiva, si el modelo 1 .7 0

es estable las 2 .4
1996 1997 1998 1999 2000
1 .6 5
1996 1997 1998 1999 2000
estimaciones de los Re c u rs i v e C(1 ) Es ti m a te s 2 S.E. Re c u rs i v e C(2 ) Es ti m a te s 2 S.E.

coeficientes deben -1 .7

tender a ser -1 .8

convergentes y la -1 .9

varianza del estimador -2 .0

tiende a reducirse, -2 .1

conforme crece la -2 .2

muestra. -2 .3

-2 .4
1996 1997 1998 1999 2000

Re c u rs i v e C(3 ) Es ti m a te s 2 S.E.

Mg. Beatriz Castaeda