Econometria_I.pdf

Econometría I Profesores:1 Jose Miguel Benavente Andrés Otero Javiera Vásquez Julio 2004

1 Cualquier

error es responsabilidad exclusiva de los autores.

Índice general 1. Introducción

5

2. Modelo de Regresión Lineal

8

2.1. Análisis de Regresión . . . . . . . . . . . . . . . . . . . . . . . . .

8

2.1.1. ¿Qué es una regresión? . . . . . . . . . . . . . . . . . . . .

8

2.1.2. Relaciones estadísticas versus relaciones determinísticas . .

9

2.1.3. Regresión versus Causalidad . . . . . . . . . . . . . . . . .

10

2.1.4. Regresión versus Correlación . . . . . . . . . . . . . . . . .

10

2.2. Análisis de regresión con dos variables . . . . . . . . . . . . . . .

14

2.2.1. Función de regresión poblacional (FRP) . . . . . . . . . .

16

2.2.2. Especificación estocástica de la función de regresión poblacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

2.2.3. Función de regresión muestral . . . . . . . . . . . . . . . .

18

2.2.4. Propiedades de un Estimador . . . . . . . . . . . . . . . .

21

2.3. Modelo de regresión con dos variables . . . . . . . . . . . . . . . .

24

2.3.1. Método de Mínimos Cuadrados Ordinarios . . . . . . . . .

24

2.3.2. Supuestos detrás del método MCO . . . . . . . . . . . . .

31

2.3.3. Errores estándar de los Estimadores Mínimos Cuadrados Ordinarios . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

1

2.3.4. Estimador Mínimo Cuadrado Ordinario de σ 2 . . . . . . .

36

2.4. Modelo de Regresión con k variables . . . . . . . . . . . . . . . .

38

2.4.1. Representación Matricial del Modelo de Regresión Lineal .

38

2.4.2. Estimador Mínimo Cuadrados Ordinarios . . . . . . . . . .

39

2.5. Propiedades del estimador MCO . . . . . . . . . . . . . . . . . . .

41

2.5.1. Propiedad de mejor estimador lineal insesgado . . . . . . .

42

2.5.2. Teorema de Gauss-Markov . . . . . . . . . . . . . . . . . .

42

2.6. Geometría del Estimador MCO . . . . . . . . . . . . . . . . . . .

44

2.7. Bondad de Ajuste y Análisis de Varianza . . . . . . . . . . . . . .

45

2.7.1. Modelo de Regresión Lineal en Desvíos . . . . . . . . . . .

45

2.7.2. Análisis de Varianza . . . . . . . . . . . . . . . . . . . . .

47

˜2 . . . . . . . . . . . . . . . . . 2.7.3. Bondad de Ajuste: R2 y R

48

2.8. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

50

2.8.1. Test t (Una hipótesis lineal) . . . . . . . . . . . . . . . . .

53

2.8.2. Test F (Conjunto de hipótesis lineales) . . . . . . . . . . .

61

2.8.3. Intervalos de Confianza . . . . . . . . . . . . . . . . . . . .

61

2.8.4. Test de Normalidad (Test de Jarque-Bera) . . . . . . . . .

63

2.9. Predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

2.9.1. Medición de la precisión de la predicción . . . . . . . . . .

67

2.10. Estimación Máximo Verosímil (EMV) . . . . . . . . . . . . . . . .

74

2.10.1. Propiedades de los estimadores MV . . . . . . . . . . . . .

75

2.10.2. Estimación MV . . . . . . . . . . . . . . . . . . . . . . . .

76

2.11. Inferencia en el contexto MV . . . . . . . . . . . . . . . . . . . . .

80

2.11.1. Test de Razón de Verosimilitud (LR) . . . . . . . . . . . .

80

2

2.11.2. Test de Wald (W) . . . . . . . . . . . . . . . . . . . . . . .

81

2.11.3. Test del Multiplicador de Lagrange (LM) . . . . . . . . . .

81

2.12. Algunas acotaciones respecto a la estimación y la inferencia MV .

85

3. Forma Funcional y Especificación

87

3.1. Regresores Estocásticos en el Modelo de Regresión Lineal . . . . .

87

3.2. Incorporación de No Linealidades . . . . . . . . . . . . . . . . . .

89

3.2.1. Test de No Linealidades Omitidas (Test de Reset) . . . . .

90

3.3. Variables Dummies o cualitativas . . . . . . . . . . . . . . . . . .

92

3.3.1. Posibles usos de las variables Dummies . . . . . . . . . . .

97

3.4. Variable Dependiente Rezagada . . . . . . . . . . . . . . . . . . . 101 3.4.1. Ejemplo y advertencias sobre el uso de variable dependiente rezagada como regresor . . . . . . . . . . . . . . . . . . . . 103 3.5. Selección de Modelos . . . . . . . . . . . . . . . . . . . . . . . . . 105 3.5.1. Ejemplo: Retornos a la educación, diferencias entre hombres y mujeres . . . . . . . . . . . . . . . . . . . . . . . . . 106 3.6. Regresión Particionada . . . . . . . . . . . . . . . . . . . . . . . . 109 3.7. Omisión de Variables Relevantes . . . . . . . . . . . . . . . . . . . 110 3.7.1. Impacto sobre el Insesgamiento . . . . . . . . . . . . . . . 110 3.7.2. Impacto sobre la Varianza . . . . . . . . . . . . . . . . . . 111 3.7.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 3.8. Inclusión de Variable Irrelevantes . . . . . . . . . . . . . . . . . . 114 3.8.1. Impacto sobre Insesgamiento . . . . . . . . . . . . . . . . . 114 3.8.2. Impacto sobre Varianza

. . . . . . . . . . . . . . . . . . . 114

3.8.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

3

3.9. Perturbaciones no Esféricas . . . . . . . . . . . . . . . . . . . . . 117 3.9.1. Consecuencias de estimación por MCO . . . . . . . . . . . 118 3.9.2. Estimación Eficiente: Mínimos Cuadrados Generalizados . 118 3.9.3. Test de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . 119 3.9.4. Estimación cuando Ω es desconocida: Mínimos Cuadrados Factibles . . . . . . . . . . . . . . . . 120 3.9.5. Heterocedasticidad . . . . . . . . . . . . . . . . . . . . . . 121 3.9.6. Autocorrelación . . . . . . . . . . . . . . . . . . . . . . . . 130 4. Problemas con los datos

149

4.1. Multicolinealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 4.1.1. Multicolinealidad Exacta y Multicolinealidad Aproximada 4.1.2. Detección de Multicolinealidad

151

. . . . . . . . . . . . . . . 151

4.1.3. Otros métodos de detección de multicolinealidad . . . . . . 153 4.1.4. Remedios contra la Multicolinealidad . . . . . . . . . . . . 155 4.2. Error de Medición . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 4.2.1. Estimación por Variables Instrumentales . . . . . . . . . . 159 4.2.2. Test de Hausman . . . . . . . . . . . . . . . . . . . . . . . 160

4

Capítulo 1 Introducción Econometría es la ciencia que aplica métodos matemáticos y estadísticos al análisis de datos económicos, con el objetivo de dotar de una base empírica a una teoría económica, para así refutarla o verificarla.

^

(1.1)

Aunque la econometría parece ser tan antigua como la misma ciencia económica, sólo en 1930 se crea la Sociedad Econométrica, la cual sistematizó su estudio y práctica. En 1933 se lanza el primer número de Econometrica en el que Ragnan Frish (uno de los fundadores de la Sociedad Econométrica, a quién de hecho, se le acredita el haber acuñado el término "Econometría") destaca: "La experiencia ha mostrado que cada uno de estos tres puntos de vista, el de la estadística, la teoría económica y las matemáticas, es necesario, pero por si mismo no suficiente para una comprensión real de las relaciones cuantitativas de la vida económica modera. Es la unión de los tres aspectos lo que constituye una herramienta de análisis potente. Es la unión lo que constituye la econometría". Sin embargo, las metodologías aplicadas en econometría (los tres puntos de vista de Frish), no han sido utilizados exclusivamente por la ciencia económica. Otras ciencias naturales también han aprovechado sus ventajas. Sin embargo, en el campo del comportamiento económico adquieren especial particularidad y relevancia, en tanto el ambiente y el comportamiento económicos, son esencialmente no-experimentales, colocándonos en situaciones donde todas las variables relevantes parecen moverse constantemente y donde existen factores impredecibles que pueden alterar los resultados. Es por esto que la econometría es esencialmente una ciencia no determinística, donde se reconoce la existencia de factores 5

Econometría I FACEA, Universidad de Chile

Capitulo 1: Introducción

esencialmente impredecibles que determinan nuestras conclusiones. La metodología econométrica se puede detallar (a grandes rasgos) según lo enuncia la Figura 1. En primer lugar contamos con una teoría económica que busca validez. Para ella, es necesario encontrar su equivalente modelo econométrico (relaciones matemáticas que describan el comportamiento de los agentes involucrados). Para estimar entonces dicho modelo, se necesita de la ecuación resultante del modelo, los datos que ella implica y los supuestos bajo los cuales se construye. Sólo una vez que contamos con dichos ingredientes se procede a estimar cuantitativamente las predicciones o implicancias expuestas por la teoría económica inicial. Luego, se debe realizar inferencia o pruebas de hipótesis, las cuales nos indicarán si nuestros resultados son estadísticamente significativos. Si la respuesta es si, entonces sólo queda realizar las predicciones pertinentes y las recomendaciones de política asociadas. Si la respuestas es no, entonces, debemos revisar los posibles errores que existan a nivel de teoría o metodología.

TEORIA ECONOMICA

MODELO ECONOMETRICO

ECUACION

DATOS

SUPUESTOS

ESTIMACION

INFERENCIA Y PRUEBA DE HIPOTESIS

SI

NO

PREDICCIONES Y RECOMENDACIONES DE POLITICA

TEORIA VERIFICADA

6


Capitulo 1: Introducción

Esta breve descripción no es más que una somera vista a lo que realmente implica hacer econometría. El camino no está exento de dificultades (en términos de la calidad de los datos, de la dificultad de medir las variables que la teoría indica, de los supuestos que realizamos, etc), sin embargo, esto, más que una dificultad, implica un desafío.

7

Capítulo 2 Modelo de Regresión Lineal 2.1.

Análisis de Regresión

2.1.1.

¿Qué es una regresión?

La regresión es un elemento fundamental en la Econometría, corresponde a un estudio de dependencia entre una variable dependiente y una o más variables explicativas. El análisis de regresión tiene como objeto estimar y/o predecir el promedio poblacional de la variable dependiente para valores fijos de la(s) variable(s) explicativa(s). Por ejemplo, observemos la Figura 1, en el eje de las abscisas tenemos nuestra variable explicativa (X): notas controles, y en el eje de las ordenadas tenemos nuestra variable dependiente (Y): nota examen.

Notas de los controles Figura 1: Distribución de las Notas del Examen vs. Promedio Notas de Controles

8


Capitulo 2: Modelo de Regresión Lineal

Podemos observar dos cosas: primero, para cada nota posible en los controles (3.0, 4.0,..) tenemos un rango o distribución de notas en el examen y segundo, el promedio de notas en el examen es mayor mientras mayores son notas de los controles. Esto último se puede apreciar al trazar una recta que una los valores promedios de notas en examen para cada nota en los controles (linea negra del la Figura 1), la que corresponde a la recta de regresión. Esta nos permite, para cada nivel de edad, predecir la estatura promedio correspondiente.

2.1.2.

Relaciones estadísticas versus relaciones determinísticas

La calidad de un producto, por ejemplo el vino, dependerá de como fue su cosecha y por lo tanto, de variables como la temperatura al que estuvo expuesta la uva, la cantidad de lluvia, sol y los fertilizantes. La relación entre estas variables explicativas y la calidad del vino tiene una naturaleza estadística, ya que si bien estas variables ayudan al productor de vino a saber más o menos como será la cosecha, no podrá predecir en forma exacta la calidad del producto debido a los errores involucrados en estas variables y porque pueden haber otros factores difíciles de medir que estén afectando la calidad del vino. La variable dependiente, en este caso la calidad del vino, tiene una variabilidad aleatoria, ya que no puede ser explicada en su totalidad por las variables explicativas. En la econometría nos interesa la dependencia estadística entre variables, donde tratamos con variables aleatorias, es decir, variables que tienen una distribución de probabilidad. La dependencia determinística, por el contrario, trata relaciones como la ley de gravedad de Newton1 , las que son exactas (no tienen naturaleza aleatoria). 1

La ley de gravedad de Newton plantea que toda partícula en el universo atrae a cualquier otra partícula con una fuerza directamente proporcional al producto de sus masas e inversamente 2 ), donde F=fuerza, m1 y m2 proporcional al cuadrado de la distancia entre ellas: F=k( mr1 m 2 son la masa de las dos partículas, r es la distancia y k una constante de proporcionalidad. Esta es una relación determinística, ya que para valores de masas, distancia y constante sabemos exactamente a la fuerza que se atraen estas partículas. Si alguna de las variables estuviera medida con error, la ley de Newton pasa a ser una relación estadística, y F se convierte en una variable aleatoria.

9



2.1.3.

Regresión versus Causalidad

Es importante tener claro que la regresión es una relación estadística, que no implica causalidad apriori. En el ejemplo del vino, no hay una razón estadística para suponer que la lluvia no depende de la calidad del vino. Pero nuestro sentido común nos hace considerar como variable dependiente la calidad del vino y no la lluvia. Es importante recordar de aquí en adelante que una relación estadística no puede por sí misma implicar en forma lógica una causalidad.

2.1.4.

Regresión versus Correlación

El Análisis de Correlación está estrechamente relacionado con el de regresión aunque conceptualmente son dos cosas muy diferentes. El análisis de correlación tiene como objetivo medir el grado de asociación lineal entre dos variables, medida a través del coeficiente de correlación. Por ejemplo, se puede estar interesado en medir el grado de correlación entre años de educación y salario. En cambio, el análisis de regresión trata de estimar o predecir el valor promedio de salario para un nivel dado de educación. Las diferencias fundamentales son que, en el análisis de regresión, tenemos una variable dependiente y una o más explicativas, la que son tratadas en forma asimétrica: la variable dependiente es aleatoria, tiene una distribución de probabilidad, en cambio las variables explicativas toman valores fijos. En el análisis de correlación las variables son tratadas de forma simétrica: la correlación entre educación y salario es igual a la correlación entre salario y educación. Además ambas variables son aleatorias. Así, si x e y son dos variables aleatorias, el coeficiente de correlación se define de la siguiente manera: ρyx =

E {[x − E(x)] [y − E(y)]} σxy p =p 2 2 σx σy var(x)var(y)

Lo que se calcula para una muestra de la siguiente forma: ¤£ ¤ Pn £ yi − Y i=1 xi − X ρˆyx = qP £ ¤2 qPn £ ¤2 n x − y − X Y i i i=1 i=1 con X =

1 n

Pn i=1

xi e Y =

1 n

Pn i=1

yi .

De ahora en adelante denotaremos con un ˆ a los estimadores de un estadístico obtenidos a partir de información muestral. 10



Ejemplo 1: Portales de Internet, correlación entre número de visitas y valor de la empresa:

Ejemplo 2: Correlación entre Empleo y Producto (serie de tiempo):

11



Ejemplo 3: Correlación entre Producto per-capita y ranking fútbol:

Ejemplo 4: Correlación entre temperatura media del día y estudiantes ausentes a clases:

12



Algunas precauciones con el coeficiente de correlación: Cuidado cuando el grado de correlación muestral depende de solo unas pocas observaciones. El coeficiente de correlación mide una relación lineal. Por lo tanto, una variable puede depender de otra aún cuando la correlación sea cero si la relación es no lineal. Correlación no implica causalidad económica, es sólo una relación estadística. Correlación puede indicar relación espuria. No olvidar que la correlación muestral es una variable aleatoria y que por lo tanto, el coeficiente por si sólo no garantiza la existencia de una relación estadística entre las series.

13



2.2.

Análisis de regresión con dos variables

Para esta sección asumiremos que existe una variable dependiente (Y) que es explicada por sólo una variable (X). Consideremos el siguiente ejemplo. En la Tabla 1 se presentan datos de salarios y nivel de educación para una población de 60 individuos 2 Tabla 1: Salarios y Años de Educación Salario (Y)

E(Y|X)

8 16000 32868 50000 80000 100000 150000 219120 300000 547800 166199

9 18260 36520 54780 82170 109560 170000 273900 365200 730400 204532

10 15000 40000 58000 90000 120000 182600 280000 380000 913000 230956

Años de Educación (X) 12 13 14 20000 20000 21912 50000 54780 60000 73040 80000 89000 100000 100500 120000 140000 160000 200000 219120 257880 300000 365200 400000 500000 500000 550000 650000 1064558 1460800 1500000 281324 342662 382324

11 15000 40000 60000 90000 120000 188973 328680 434120 821700 233164

15 35000 73040 100000 140000 230000 400000 600000 883085 1826000 476347

16 40000 90000 105000 180000 280000 434686 730400 1000000 2487041 594125

17 60000 120000 165784 250000 365200 600000 1095600 1643400 4000000 922220

salario 2000000

3000000

4000000

La población tiene 10 niveles distintos de educación, que van desde 8 a 17. Para cada uno de estos niveles tenemos 9 individuos con distintos salarios. A pesar de la variabilidad en los salarios para cada nivel educacional considerado, en promedio el salario se incrementa a medida que los años de educación aumentan. Esto último se puede verificar al calcular el promedio para cada nivel de educación, lo que se presenta en la última linea de la Tabla 1, estos corresponden a los valores esperados condicionales, ya que dependen de los valores dados de la variable X. En la Figura 2, los valores medios condicionales están marcados con una cruz. La unión de estos valores representa la Recta de regresión poblacional, donde el término poblacional se refiere a que estamos trabajando con el total de la población.

0

1000000

Recta de regesión poblacional (RRP)

x 8

x

x 10

x

x

x

x

14

12

x

x

x

16

18

Escolaridad Figura 2: Distribución de los salarios para distintos niveles de educación.

2

Una población de 60 individuos puede parecer un poco pequeña, pero por el momento consideremos que estas familias son el total existente

14



Definición: La curva de regresión poblacional es simplemente el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de la(s) variable(s) explicativa(s). En el ejemplo anterior los valores de Y (salario) no estaban distribuidos de forma simétrica en torno al valor promedio para cada valor X, desde ahora asumiremos que esto si se cumple, tal como lo podemos apreciar en la Figura 3.

Figura 3: Ingreso semanal y Gasto semanal. Distribución simétrica

En este ejemplo, se ve la relación entre ingreso semanal y gasto en consumo semanal, para cada nivel de ingreso se tiene un rango de gasto que se distribuye en forma simétrica entorno al valor promedio condicional de gasto.

15



2.2.1.

Función de regresión poblacional (FRP)

De lo anterior es claro que la media condicional E(Y|Xi ) es función de Xi , donde Xi es un valor dado de X: E(Y |Xi ) = f (Xi )

(2.1)

donde f(·) es una función cualquiera, en el ejemplo anterior era una función lineal. La ecuación (2.1) se denomina Regresión Poblacional. Que forma tiene f(·) es una pregunta empírica, aunque muchas veces la teoría nos puede ayudar bastante. Supongamos que en nuestro ejemplo anterior el salario esta relacionado linealmente con la educación, así podemos suponer que la función de regresión poblacional E(Y|Xi ) es una función lineal de Xi , es decir: E(Y |Xi ) = β1 + β2 Xi

(2.2)

donde β1 y β2 se denominan coeficientes de regresión. Así el objetivo es estimar β1 y β2 a partir de datos de X e Y.

2.2.2.

Especificación estocástica de la función de regresión poblacional

En los dos ejemplos anteriores veíamos que a medida que se incrementa la variable explicativa (educación o ingreso), el valor promedio de la variable dependiente (salario o gasto) también se incrementaba. Sin embargo, este patrón se da solo a nivel de promedios. A nivel individual esto no es necesariamente cierto. En la Tabla 1 podemos ver que el individuo que gana menos ingreso con 9 años de educación, gana menos que el individuo con 8 años de educación con mayor salario. Existe una dispersion de los valores individuales de Yi en torno al promedio condicional de esta variable. De esta forma, podemos definir: ui = Yi − E(Y |Xi ) o Yi = E(Y |Xi ) + ui

(2.3)

donde ui es una variable aleatoria no observable que toma valores positivos o negativos. Este término surge pues no se puede esperar que todas las observaciones 16



Yi sean igual al promedio condicional a Xi . Recordemos que la regresión es una relación estadística, a pesar de conocer los valores de Xi , esto no nos permite predecir en forma exacta Yi . Lo que no podemos explicar debido a que tiene naturaleza aleatoria se representa a través de ui , denominado término de error estocástico. Entonces siguiendo el ejemplo de la Figura 3, podemos decir que el gasto de una familia individual (Yi ) corresponde a la suma de dos componentes: E(Y|Xi ), que corresponde a la media de gasto de todas las familias con el mismo nivel de ingresos → Componente Determinístico ui → Componente Aleatorio Si E(Y|Xi ) es lineal en Xi , podemos escribir la ecuación (2.3) de la siguiente forma: Yi = E(Y |Xi ) + ui = β1 + β2 Xi + ui

(2.4)

Tomando el valor esperado condicional en Xi a la ecuación (2.4): E(Yi |Xi ) = E[E(Y |Xi )|Xi ] + E(ui |Xi ) = E(Y |Xi ) + E(ui |Xi )

(2.5)

Debido a que E(Yi |Xi ) = E(Y |Xi ), implica que: E(ui |Xi ) = 0

(2.6)

Así, el supuesto de que la recta de regresión pasa a través de las medias condicionales de Y, implica que la media condicional de ui es cero.

17



2.2.3.

Función de regresión muestral

En la mayoría de los fenómenos económicos a estudiar, no disponemos de las observaciones totales de la población, como hemos supuesto hasta ahora. En la práctica se tiene alcance nada más que a una muestra de los valores de Y que corresponden a unos valores fijos de X. En este caso tenemos que estimar la función de regresión poblacional en base a información muestral. Los datos poblacionales asociados a la Figura 3 son los siguientes: Tabla 2. Ingreso familiar Y|X 80 100 120 Gasto en 55 65 79 consumo 60 70 84 familiar 65 74 90 semanal 70 80 94 (Y) 75 85 98 88 Media Condicional 65 77 89

(X) y 140 80 93 95 103 108 113 115 101

Gasto 160 102 107 110 116 118 125 113

en consumo 180 200 110 120 115 136 120 140 130 144 135 145 140 125 137

(Y). 220 135 137 140 152 157 160 162 149

240 137 145 155 165 175 189 161

260 150 152 175 178 180 185 191 173

Supongamos que nosotros no conocemos estos datos, es decir, no tenemos acceso a las observaciones correspondientes a la población total. Tenemos a nuestra disposición sólo una muestra (Tabla 3), la que ha sido obtenida de forma aleatoria de la población. Es importante notar que a partir de una población podemos sacar una gran cantidad de muestras en forma aleatoria y en la realidad nosotros observamos solo una de ellas. Debido a esta variabilidad en las muestras podremos estimar la FRP pero no de manera precisa. Para ejemplificar esto supongamos que además de la muestra en la Tabla 3 se saco otra muestra (Tabla 4) a partir de la información poblacional. Tabla 3. Muestra aleatoria de la población en tabla 2. Y X 70 80 65 100 90 120 95 140 110 160 115 180 120 200 140 220 155 240 150 260

Tabla 4. Muestra aleatoria de la población en tabla 2. Y X 55 80 88 100 90 120 80 140 118 160 120 180 145 200 135 220 145 240 175 260

18



Al graficar los datos de las Tablas 3 y 4 obtenemos los diagramas de dispersion en la Figura 4. En este diagrama se han trazado dos rectas de regresión muestral: FRM1 corresponde a la primera muestra y FRM2 corresponde a la segunda. Como vemos, no es posible asegurar cual de las dos rectas muestrales representa mejor la recta de regresión poblacional. Entonces es importante tener en mente que las rectas de regresión muestral representan la recta de regresión poblacional, pero debido a fluctuaciones muestrales pueden ser consideradas sólo como una aproximación. Como contraparte muestral la función de regresión muestral puede escribirse como: Yî = βˆ1 + βˆ2 Xi

(2.7)

donde Yî es el estimador de E(Y|Xi ), βˆ1 es el estimador de β1 y βˆ2 es el estimador de β2 .

Figura 4: Rectas de Regresión basadas en dos muestras distintas

Definición: Un estimador es una regla, fórmula o método que dice cómo determinar el parámetro poblacional a partir de la información suministrada por la muestra disponible. De igual manera que para el caso poblacional la función de regresión muestral 19



también tiene una representación estocástica: Yi = βˆ1 + βˆ2 Xi + uî

(2.8)

Entonces, el objetivo del Análisis de Regresión es estimar la Función de regresión poblacional: Yi = β1 + β2 Xi + ui

(2.9)

con base en la Función de regresión muestral: Yi = βˆ1 + βˆ2 Xi + uî

(2.10)

Esta aproximación se puede ver en la Figura 5:

Figura 5: Rectas de Regresión muestral y poblacional

En términos de la función de regresión muestral, la Yi observada puede ser expresada como: Yi = Yî + uî

(2.11)

y en términos de la función de regresión poblacional puede ser expresada como: Yi = E(Y |Xi ) + ui 20

(2.12)



En la figura 5 podemos notar que para todo Xi a la derecha del punto A, Yî sobreestima E(Y |Xi ). De igual manera, para cualquier punto a la izquierda de A, Yî subestima E(Y |Xi ). Esta sobreestimación y subestimación del modelo poblacional es inevitable debido a las fluctuaciones muestrales. ¿Cómo se puede construir la función de regresión muestral para βˆ1 y βˆ2 que este lo más cerca de los valores verdaderos (poblacionales) de β1 y β2 ?

2.2.4.

Propiedades de un Estimador

Un estimador, siendo función de la muestra, es una variable aleatoria y tiene su propia distribución de probabilidad. Las propiedades de los estimadores son las siguientes: 1. Se denomina sesgo a la diferencia entre el valor esperado del estimador y ˆ − β. De esta forma, se dice que βˆ es un estimador su verdadero valor: E(β) ˆ = β. insesgado si E(β) 2. El estimador es eficiente o de mínima varianza si no hay ningún otro estiˆ En general se trata de mador insesgado que tenga una varianza menor que β. utilizar estimadores de varianza pequeña, pues de este modo la estimación es más precisa. 3. El Error Cuadrático Medio (ECM) es una propiedad de los estimadores que mezcla los conceptos de eficiencia e insesgamiento. El ECM de βˆ se define como: ˆ = E[(βˆ − β)2 ] ECM (β) Lo que se puede expresar equivalentemente de la siguiente manera: ˆ = V ar(β) ˆ + [Sesgo(β)] ˆ 2 ECM (β) 4. La última propiedad de un estimador es la consistencia. El estimador βˆ es consistente si converge (en el limite) al verdadero valor del parámetro. Se dice que la sucesión de variables aleatorias X1 , X2 ,...,Xn converge en probabilidad a la variable aleatoria (o constante) X si: ∀ε > 0,

l´ım P r[|Xn − X| < ε] = 1

n→∞

Esto se denota plim Xn = X. Dos reglas útiles al respecto son: 21



plim

¡ X ¢ plimX = plimY Y

plim (X · Y )=plimX · plimY

Ejemplo: Tenemos una variable yi que esta compuesta por la suma de un componente fijo o determinístico (c) y un componente aleatorio(ui ): yi =

+

c |{z} componente

f ijo

ui |{z} componente

aleatorio

Si ui ∼ N (0, σu2 ), entonces: µ = E(yi ) = c V (yi ) = E[(yi − E(yi ))2 ] = E[u2i ] = σu2 22



Ahora consideremos el siguiente estimador de la esperanza de yi , la media muestral: n

1 1X µ ˆ = Y = (y1 + y2 + ... + yn ) = yi n n i=1 Veamos que propiedades tiene este estimador: Insesgamiento: E(ˆ µ) = µ ¡ ¢ E(ˆ µ) = E Y µ ¶ 1 = E (y1 + y2 + ... + yn ) n 1 = (E(y1 ) + E(y2 ) + ... + E(yn )) n dado que E(yi ) = E(c) + E(ui ) = c, | {z } 0

E(ˆ µ) = c = µ Eficiencia: V ar(ˆ µ)
E(Y ) = c E(yi ) = c

2

V ar(Y )= σnu V ar(yi ) = σu2

Entonces para n>1 siempre se cumple que µ ˆ es más eficiente (menor varianza) que µ ˆ1 . Error Cuadrático Medio: Como µ ˆ es un estimador insesgado de µ al igual que µ ˆ1 , el error cuadrático medio de ambos estimadores es igual a la varianza del estimador, de esta forma µ ˆ tiene menor error cuadrático medio que µ ˆ1 . Consistencia: µ ˆ es un estimador consistente dado que: plim(ˆ µ) = plim(Y ) = c Ya que si l´ımn→∞ V ar(Y ) = 0 ⇒ plim(Y ) = c.

23



2.3.

Modelo de regresión con dos variables

2.3.1.

Método de Mínimos Cuadrados Ordinarios

De la sección anterior teníamos que el error estimado era: uî = Yi − Yî = Yi − βˆ1 − βˆ2 Xi

(2.13)

es decir, los residuos son simplemente la diferencia entre los valores verdaderos y estimados de Y. Si queremos que la función de regresión muestral sea lo más cercana posible a la poblacional, debemos tratar de escoger los coeficientes de regresión (los β’s) de forma tal que los errores sean lo más pequeños posible. De acuerdo a esto un criterio para escoger la P función P de regresión muestral podría ser minimizar la suma de los los errores: uî = (Yi − Yî ), sin embargo este criterio no es muy bueno. Observemos la Figura 6, existe una gran diferencia en la magnitud de los errores, sin embargo en la suma de los errores todos reciben el mismo peso. Debido a esto es posible que la suma de los errores sea muy pequeña cercana a cero, incluso cuando la dispersion de los errores en torno a la función de regresión muestral es alta.

Figura 6: Mínimos Cuadrados Ordinarios

24



Este problema puede ser solucionado al considerar la suma de los errores al cuadrado como criterio a minimizar, en este caso los errores más lejos reciben un mayor peso: X X (Yi − Yî )2 uˆ2i = X = (Yi − βˆ1 − βˆ2 Xi )2 (2.14) El Método de Mínimos CuadradosPOrdinarios (MCO) escoge βˆ1 y βˆ2 de forma tal que para una muestra dada, uˆ2i sea lo más pequeño posible. Entonces el problema que este método propone resolver es el siguiente: X m´ın (Yi − βˆ1 − βˆ2 Xi )2 βˆ1 ,βˆ2

las condiciones de primer orden de este problema son: P X X ∂ uˆ2i = −2 (Yi − βˆ1 − βˆ2 Xi ) = −2 uî = 0 ∂ βˆ1 P X X ∂ uˆ2i = −2 (Yi − βˆ1 − βˆ2 Xi )Xi = −2 uî Xi = 0 ∂ βˆ2 Simplificando (2.16) y (2.17) obtenemos las ecuaciones normales: X X Yi = nβˆ1 + βˆ2 Xi X X X Yi Xi = βˆ1 Xi + βˆ2 Xi2

(2.15)

(2.16) (2.17)

(2.18) (2.19)

Debemos resolver un sistema con dos ecuaciones y dos incógnitas. De la ecuación (2.18) podemos despejar βˆ1 : P βˆ1 =

Yi − βˆ2 n

P

Xi

reemplazando (2.20) en (2.19): ÃP P ! X X X Yi − βˆ2 Xi Yi X i = · Xi + βˆ2 Xi2 n De esta forma, el estimador de β2 es: P P P n · Yi Xi − Xi Yi ˆ P P β2 = n · Xi2 − ( Xi )2 25

(2.20)

(2.21)

(2.22)



El que puede ser escrito de la siguiente forma (hacerlo): P xi y i βˆ2 = P 2 xi P donde xi = Xi − X e yi = Yi − Y , con X = n1 ni=1 Xi e Y = Reemplazando (2.22) en (2.20): P 2P P P Xi Yi − Xi Xi Yi ˆ P P β1 = n · Xi2 − ( Xi )2 = Y − βˆ2 X

(2.23) 1 n

Pn i=1

Yi

(2.24) (2.25)

Los resultados (2.23) y (2.25) podrían haber sido obtenidos de igual forma, expresando inicialmente el modelo de regresión en desviaciones con respecto a la media. El modelo de regresión original es: Yi = βˆ1 + βˆ2 Xi + uî si le restamos el promedio de esta: Y = βˆ1 + βˆ2 X + uî

(2.26)

y recordando que el valor esperado del término de error es 0, tenemos el siguiente modelo de regresión lineal expresado en desviaciones con respecto a la media: (Yi − Y ) = βˆ2 (Xi − X) + uî yi = βˆ2 xi + uî Así el problema de Mínimos Cuadrados Ordinarios es: X m´ın (yi − βˆ2 xi )2 βˆ2

La condición de primer orden de este problema es: P X ∂ uˆ2i = −2 (yi − βˆ2 xi )xi = 0 ∂ βˆ2 Así obtenemos el mismo estimador de β2 , encontrado en (2.23), y β1 se obtiene simplemente despejando la ecuación (2.26): βˆ1 = Y − βˆ2 X 26



que corresponde a lo mismo en la ecuación (2.25). Una vez estimados los coeficientes de regresión mediante MCO y utilizando la información muestral, la recta de regresión muestral (Yî = βˆ1 + βˆ2 Xi ) puede ser obtenida fácilmente. Ejemplo 1: Disponemos datos de una empresa química sobre el gasto que ella realiza en Investigación y Desarrollo (I+D) y las ganancias anuales de esta compañía: Año 1990 1991 1992 1993 1994 1995

Gasto en I+D (Millones de dólares) 2 3 5 4 11 5

Ganancia Anual (Millones de dólares) 20 25 34 30 40 31

Ahora debemos debemos determinar de que forma como cambia el promedio condicional de la variable dependiente (Ganancias) cuando cambia el valor fijo de la variable explicativa (Gasto en I+D). \ ˆ ˆ La forma muestral de la recta de regresión: E(Y i |Xi ) = β1 + β2 Xi requiere determinar el valor estimado de estos parámetros, para lo cual utilizaremos el método 27



de mínimos cuadrados ordinarios: P P P n · Yi Xi − Xi Yi ˆ P P β2 = n · Xi2 − ( Xi )2

P Yi Xi − nXY ˆ β2 = P 2 Xi − n(X)2

Utilicemos los datos para obtener los cálculos necesarios para computar el estimador de β2 : Año (n=6) 1990 1991 1992 1993 1994 1995 Suma

Gasto en I+D (X) (Millones de dólares) 2 3 5 4 11 P 5 X=30

Ganancia Anual (Y ) (Millones de dólares) 20 25 34 30 40 P 31 Y =180

XY 40 75 170 120 440 P 155 XY =1000

X2 4 9 25 16 121 P 25 X 2 =200

P

X = nX X = 30 6 X =P5 Y = nY Y = 180 6 Y = 30

← Media de los valores de la variable dependiente

← Media de los valores de la variable independiente

De esta forma, 1000 − 6 · 5 · 30 βˆ2 = 200 − 6 · (5)2 1000 − 900 = 200 − 150 100 = 50 ˆ β2 = 2 βˆ1 = Y − βˆ2 X = 30 − 2 · 5 = 30 − 10 βˆ1 = 20 De esta forma, la recta de regresión muestral estimada es: Yˆ = 20 + 2 · X 28



Con esta ecuación en mano, el gerente de I+D de esta compañía puede predecir el promedio en ganancias futuras anuales a partir de la cantidad presupuestada de gasto en Investigación y Desarrollo. Por ejemplo, si la compañía presupuesta gastar 8 millones de dólares en I+D el próximo año, entonces debe ganar aproximadamente 36 millones de dólares durante este año. Ejemplo 2: Tenemos los siguientes datos de portales de internet, con los cuales queremos ver el impacto promedio del número de visitas en el valor de la empresa:

AOL Yahoo Lycos Cnet Juno Web NBC Internet Earthlink El sitio Promedio Suma β1 β2

vempresa 134844 55526 5533 4067 611 4450 2195 1225 26056.4

visitas 50 38 28 8 8 16 5 2 19.4

y-ybar 108787.6 29469.6 -20523.4 -21989.4 -25445.4 -21606.4 -23861.4 -24831.4

x-xbar 30.6 18.6 8.6 -11.4 -11.4 -3.4 -14.4 -17.4

2381.1 -20076.8

29

(y-ybar)*(x-xbar) 3331621.0 548871.8 -177014.1 250129.1 289441.1 72921.5 343007.3 431445.1

(x-xbar)^2 937.9 346.9 74.4 129.4 129.4 11.4 206.6 301.9

5090422.9

2137.9

ygorro 98976.5 70403.7 46593.1 -1028.3 -1028.3 18020.3 -8171.5 -15314.7 26056.4

ugorro 35867.5 -14877.7 -41060.1 5095.3 1639.3 -13570.3 10366.5 16539.7 0



Utilizando estos datos tenemos: n X (Xi − X)2 = 2137,9 i=1 n X (Yi − Y )(Xi − X) = 5090422,9 i=1

5090422,9 βˆ2 = = 2381,1 2137,9 βˆ1 = 26056,4 − 2381,1 ∗ 19,4 = −20076,8

30



2.3.2.

Supuestos detrás del método MCO

En el análisis de regresión nuestro objetivo no es sólo obtener los valores de βˆ1 y βˆ2 sino también hacer inferencia sobre los verdaderos β1 y β2 . Nos interesa saber que tan cerca están βˆ1 y βˆ2 de sus contraparte poblacional o que tan cerca esta Yî de la verdadera E(Y|Xi ). La Función de regresión poblacional: Yi = β1 +β2 Xi +ui , nos muestra que Yi depende de Xi y ui . Así, los supuestos hechos para estas dos variables son fundamentales para lograr una interpretación válida de los valores estimados de la regresión. Mientras no se especifique la forma como se generan Xi y ui , no hay forma de hacer inferencia estadística sobre Yi ni sobre β1 y β2 . Supuesto 1: Modelo de regresión lineal, el modelo de regresión es lineal en parámetros: Yi = β1 + β2 Xi + ui Supuesto 2: Los valores de X son fijos, X se supone no estocástica. Esto implica que el análisis de regresión es un análisis de regresión condicional, condicionado a los valores dados del regresor X. Supuesto 3: El valor medio del error ui es igual a cero. Dado el valor de X, el valor esperado del término de error ui es cero: E(ui |Xi ) = 0 Lo que nos dice este supuesto es que los factores que no están considerados en el modelo y que están representados a través de ui , no afectan sistemáticamente el valor de la media de Y. Es decir, los valores positivos de ui se cancelan con los valores negativos de ui . De esta forma, el efecto promedio de ui sobre Y es cero. Ver Figura 7.

31



Figura 7: Distribución condicional del término de error ui

Supuesto 4: Homocedasticidad o igual varianza de ui . Dado el valor de X, la varianza de ui es la misma para todas las observaciones: var(ui |Xi ) = E[ui − E(ui )|Xi ]2 = E(u2i |Xi ) por supuesto 3 = σ2 En la Figura 8 podemos apreciar el significado del supuesto de homocedasticidad, la variación alrededor de la recta de regresión es la misma para todos los valores de X. Esto implica que la función de densidad del término de error ui es la misma.

Figura 8: Homocedasticidad

32



Por el contrario, el la Figura 9 observamos el caso cuando la varianza del término de error varia para cada Xi , en este caso particular la varianza del error aumenta en la medida que Xi crece.

Figura 9: Heterocedasticidad

Esto se conoce como Heterocedasticidad o varianza desigual, lo que se expresa de la siguiente manera: var(ui |Xi ) = σi2

(2.27)

Supuesto 5: No existe autocorrelación entre los errores. Dado dos valores de X, Xi y Xj , con i6= j, la correlación entre ui y uj es cero: cov(ui , uj |Xi , Xj ) = E{[ui − E(ui )]|Xi }{[uj − E(uj )]|Xj } = E(ui |Xi )(uj |Xj ) = 0 Si en la Función de regresión poblacional Yi = β1 + β2 Xi + ui , ui esta correlacionado con uj , entonces Yi no depende solamente de Xi sino también de uj . Al imponer le supuesto 5 estamos diciendo que solo se considerará el efecto sistemático de Xi sobre Yi sin preocuparse de otros factores que pueden estar afectando a Y, como la correlación entre los u’s. Supuesto 6: La covarianza entre ui y Xi es cero E(ui Xi ) = 0: cov(ui , Xi ) = = = = =

E[ui − E(ui )][Xi − E(Xi )] E[ui (Xi − E(Xi )] por supuesto E(ui ) = 0 E(ui Xi ) − E(ui )E(Xi ) por supuesto E(Xi ) no estocastica E(ui Xi ) por supuesto E(ui ) = 0 0 33



Como mencionamos en la sección 2.2.2 se supone que X y u tienen una influencia separada sobre Y (determinística y estocástica, respectivamente), ahora si X y u están correlacionadas, no es posible determinar los efectos individuales sobre Y. Este supuesto se cumple automáticamente si X es no estocástica y el supuesto 3 se cumple. Supuesto 7: El número de observaciones n debe ser mayor que el número de parámetros por estimar. El número de observaciones tiene que ser mayor que el número de variables explicativas, de otra forma no se puede resolver el sistema de ecuaciones. Supongamos que tenemos una sola observación para nuestra variable dependiente y nuestra variable explicativa (Y1 y X1 ), el modelo de regresión es tal que tiene intercepto, es decir: Y1 = β1 + β2 X1 + u1 el estimador MCO de β2 es : P xi yi β2 = P 2 xi donde xi = Xi − X e yi = Yi − Y , sin embargo con una observación X1 = X e Y1 = Y , así β2 no esta determinado y así tampoco podemos determinar β1 . Supuesto 8: Variabilidad en los valores de X. No todos los valores de X en una muestra deben ser iguales, var(X) debe ser un número finito positivo. Si las X son las mismas ⇒ Xi = X, de esta forma ni β2 ni β1 pueden ser estimados. Supuesto 9: El modelo de regresión esta correctamente especificado. Esto es muy importante, ya que por ejemplo la omisión de variables importantes en el modelo, o la elección de la forma funcional inadecuada, o la consideración de supuestos estocásticos equivocados sobre las variables del modelo, harán cuestionable la validez de la interpretación de la regresión estimada. (Aspectos que veremos más adelante).

34



2.3.3.

Errores estándar de los Estimadores Mínimos Cuadrados Ordinarios

Como vimos en la sección 2.3.1, los valores estimados para β1 y β2 dependen de los datos muestrales, sin embargo, los datos cambian de una muestra a otra y así los valores estimados también, por eso es necesario tener una medida que nos permita decir que tan cercano son los valores estimados a los valores poblacionales de los parámetros. La medida que utilizaremos para medir la precisión del estimador es el error estándar, que es la desviación estándar de la distribución muestral del estimador, la que a su vez es la distribución del conjunto de valores del estimador obtenidos de todas las muestras posibles de igual tamaño de una población dada. Recordemos el estimador MCO de β2 : P xi y i ˆ β2 = P 2 xi donde yi = β2 xi +ui (modelo poblacional en desviaciones con respecto a la media). De esta forma reemplazando yi en el estimador de β2 : P xi (β2 xi + ui ) ˆ P 2 β2 = x P 2 iP x ui x i = β2 P 2i + P 2 x xi Pi ui x i = β2 + P 2 xi Aplicando valor esperado a la expresión anterior: ¶ µP ui x i ˆ E(β2 ) = β2 + E P 2 xi µP ¶ E(ui )xi P 2 = β2 + por xi = β2 por supuesto 3

supuesto 2 (2.28)

La ecuación (2.28) nos dice que en valor esperado el estimador MCO de βˆ2 es igual a su verdadero valor. Esta propiedad del estimador MCO se conoce como insesgamiento.

35



Ahora procedamos a calcular la varianza de el estimador MCO de β2 : var(βˆ2 ) = E[βˆ2 − E(βˆ2 )]2 = E(βˆ2 − β2 )2 µP ¶ [ xi ui ]2 P = E [ x2i ]2 Por supuesto 4 E(u2i ) = σ 2 y por supuesto 6 E(ui uj ) = 0, esto implica que: σ2 var(βˆ2 ) = P 2 xi

2.3.4.

(2.29)

Estimador Mínimo Cuadrado Ordinario de σ 2

Ahora debemos estimar el parámetro poblacional σ 2 , como este corresponde al valor esperado de u2i y uî es una estimación de ui , por analogía: Pn 2 uˆ 2 σ ˆ = i=1 i n pareciera ser un estimador razonable. Pero los errores de MCO, están estimados imperfectamente si los comparamos con los errores poblacionales, ya que dependen de una estimación de β1 y β2 . Veamos esto con más detalle: Partiendo del Regresión poblacional expresado en desviaciones con respecto a la media: yi = β2 xi + (ui − u)

(2.30)

uî = yi − βˆ2 xi

(2.31)

y recordando también que: Al sustituir (2.30) en (2.31), se obtiene: uî = β2 xi + (ui − u) − βˆ2 xi Elevando al cuadrado la expresión anterior, aplicando sumatoria y tomando valor esperado: i h i ³X ´ hX X X 2 2 2 2 ˆ ˆ xi (ui − u) E uî = E(β2 − β2 ) xi + E (ui − u) −2 E (β2 − β2 ) {z } {z } | | (i)

(ii)

·P ¸ X X x u i i 2 = var(βˆ2 ) xi + (n − 1)var(ui ) − 2E P 2 xi (ui − u) xi = σ 2 + (n − 1)σ 2 − 2σ 2 = (n − 2)σ 2 36



(i) E

hX i hX i (ui − u)2 = E (u2i − 2ui u + u2 ) i hX X = E u2i − 2u ui + nu2 hX i nX 2 2 = E ui − 2u ui + nu n i hX = E u2i − 2nu2 + nu2 hX i 2 2 = E ui − nu " µP ¶2 # X ui 2 = E ui − n n n = nσ 2 − σ 2 n = (n − 1)σ 2

h i h i X X (ii) E (βˆ2 − β2 ) xi (ui − u) = E (βˆ2 − β2 ) xi (ui − u) ¸ ·P x i ui X = E P 2 xi (ui − u) xi P P ¸ · P ( xi ui )2 x i ui x i P 2 −u P 2 = E xi xi 2 = σ Por lo tanto se define el estimador de la varianza σ e2 como: P 2 uî 2 σ e = n−2 De forma tal que, σ e2 es un estimador insesgado de σ 2 : ³X ´ 1 e2 = E uˆ2i = σ 2 σ n−2

37

(2.32)



2.4.

Modelo de Regresión con k variables

Ahora abandonemos la simplificación de solo usar dos variables, de ahora en adelante generalizaremos el modelo de regresión lineal para que pueda tener hasta k variables explicativas. Aclaración: haremos un cambio de notación, cada observación i de la variable dependiente será denotada por yi y cada observación i de una variable explicativa, por ejemplo X1 , será denotada por x1i . Ahora las variables en minúscula no significa que estén en desvíos. El Modelo de Regresión Poblacional en este caso es: yi = β1 + β2 x2i + β3 x3i + ... + βk xki + ui

2.4.1.

i = 1, ..., n

Representación Matricial del Modelo de Regresión Lineal

El modelo con k variables explicativas puede ser expresado en notación matricial. En efecto, cada variable explicativa xj , con j=1,..., k, es un vector columna de dimensión n, al igual que la variable dependiente y el término de error. De este modo, el modelo puede ser reescrito de la siguiente forma:             y1 1 x21 x31 xk1 u1  y2   1   x22   x32   xk2   u2              β + β + ... + β +  ..  =  ..  β1 +        ..  .. .. .. 2 3 k  .   .      .  .  .  .  yn 1 x2n x3n xkn un Donde las variables explicativas se pueden agrupar en una sola matriz de dimensión n×k, que denotaremos simplemente como X, de esta manera el modelo se expresa de la siguiente forma:         u1 β1 1 x21 x31 · · · xk1 y1  y2   1 x22 x32 · · · xk2   β2   u2           ..  =  .. .. .. . . ..  ·  ..  +  ..  ⇒ Y = Xβ + u(2.33)  .   . . . . .   .   .  un βk 1 x2n x3n · · · xkn yn donde Y es un vector de dimensión n×1, X es la matriz de variables explicativas de dimensión n×k y u es un vector correspondiente al término de error con dimensión n×1. 38



Ahora debemos expresar la distribución del término de error en términos matriciales:   E(u1 )  E(u2 )    E(u) =  = 0 ..  n×1  . E(un )     E(u21 ) E(u1 u2 ) · · · E(u1 un ) σ2 0 · · · 0  E(u2 u1 ) E(u2 ) · · · E(u2 un )   0 σ 2 · · · 0  2     2 0 I E(uu ) =   =  .. .. .. .. .. . . ..  = σ n×n . .    . . . . . . . .  E(un u1 ) E(un u2 ) · · · E(u2n ) 0 0 · · · σ2 De los supuestos 3, 4 y 5, tenemos entonces que el término de error tiene la siguiente distribución: µ ¶ 2 u ∼ 0 ,σ I (2.34) n×1

2.4.2.

n×n

Estimador Mínimo Cuadrados Ordinarios

El método de MCO, plantea que los parámetros del modelo pueden ser estimados ˆ la que en términos minimizando la suma de los errores al cuadrado (SE (β)), matriciales equivale a: ˆ = SE (β)

n X

uˆ2i = uˆ0 uˆ

i=1

ˆ Entonces el problema de minimizar la suma de los errores al donde uˆ = Y − X β. cuadrado se expresa de la siguiente forma: h i 0 ˆ ˆ ˆ m´ın SE (β) = m´ın (Y − X β) (Y − X β) βˆ βˆ h i = m´ın Y 0 Y − 2βˆ0 X 0 Y + βˆ0 X 0 X βˆ βˆ

ˆ ∂SE (β) = −2X 0 Y + 2X 0 X βˆ = 0 0 ˆ ∂β ⇒ βˆ = (X 0 X)−1 X 0 Y 39

(2.35)



De (2.35) tenemos: ˆ = 0 ⇒ X 0 uˆ = 0 X 0 (Y − X β)

(2.36)

(2.36) es la condición de ortogonalidad. De esta forma, el vector de parámetros estimados βˆ se obtiene de resolver el siguiente sistema de ecuaciones normales: X 0 X βˆ = X 0 Y ⇔       

1 1 1 x2,1 x2,2 x2,3 x3,1 x3,2 x3,3 .. .. .. . . . xk,1 xk,2 xk,3

··· 1 · · · x2,n · · · x3,n .. .. . . · · · xk,n

       

1 x2,1 1 x2,2 1 x2,3 .. .. . . 1 x2,n

1 1 1  x2,1 x2,2 x2,3   =  x3,1 x3,2 x3,3  .. .. ..  . . . xk,1 xk,2 xk,3 

Pn Pn n x 2,i i=1 Pn 2 Pn i=1 x3,i  Pn x2,i i=1 x2,i x3,i  Pni=1 Pn i=1 x2,i P n 2  ⇔  i=1 x3,i i=1 x3,i x2,i i=1 x3,i  .. .. ..  Pn . Pn . Pn . i=1 xk,i i=1 xk,i x2,i i=1 xk,i x3,i

 ˆ  β1   βˆ2      βˆ   3   .    ..  βˆk   ··· 1 y1   · · · x2,n    y2    · · · x3,n   y3   ..   ..  ... .  .  · · · xk,n yn

x3,1 · · · xk,1 x3,2 · · · xk,2 x3,3 · · · xk,3 .. .. .. . . . x3,n · · · xk,n

P · · · P ni=1 xk,i · · · Pni=1 x2,i xk,i n ··· i=1 x3,i xk,i .. ... Pn . 2 ··· i=1 xk,i

 ˆ β1   βˆ2    βˆ  3  .   .. βˆk





      =    

Pn Pn i=1 yi yi x2,i Pi=1 n i=1 yi x3,i .. Pn . i=1 yi xk,i

Es importante recordar que el estimador MCO esta definido solo cuando la matriz (X’X) es invertible, lo que ocurre siempre y cuando: 1. Las k columnas de la matriz X sean linealmente independientes. 2. Se disponga al menos de tantas observaciones como variables explicativas, es decir: n≥ k.(Supuesto 7) Pongamos atención en el segundo supuesto, cuando n=k la matriz X tiene dimensión k×k, por lo tanto salvo que no se cumpla el supuesto 8, X es invertible, y de esta forma (X 0 X)−1 = X −1 (X 0 )−1 y por lo tanto: βˆ = (X 0 X)−1 X 0 Y = X −1 (X 0 )−1 X 0 Y = X −1 Y 40

(2.37)

      



el vector de residuos uˆ = Y − X βˆ = Y − X(X −1 Y ) = Y − Y = 0n , de esta forma el ajuste es perfecto, ya que todos los residuos son cero, la suma residual de igual forma toma el mínimo valor posible, cero. Sin embargo, esta no es una característica deseable, el ajuste perfecto ocurre porque tenemos una muestra muy reducida. Esto trae como consecuencia poco robustez e imprecisión en las estimaciones. Si escogemos una nueva muestra, del mismo tamaño que la anterior, obtendremos otro estimador βˆ con suma residual 0, que puede diferir en forma arbitraria del anterior. Para lograr estimaciones precisas de los parámetros, es necesario tener un número de observaciones notablemente superior al de las variables explicativas. La diferencia n-k se conoce como el número de grados de libertad de la estimación.

2.5.

Propiedades del estimador MCO

Notemos que el vector βˆ es un vector aleatorio, ya que depende del vector de errores: βˆ = (X 0 X)−1 X 0 Y = (X 0 X)−1 X 0 (Xβ + u) = β + (X 0 X)−1 X 0 u

(2.38)

ˆ = E(β) + E[(X 0 X)−1 X 0 u] E(β) = β + (X 0 X)−1 X 0 E(u) La esperanza de β es el mismo parámetro, ya que este es un constante (valor poblacional), y por supuestos 2 y 3 el segundo término de la expresión anterior es cero, ˆ =β ⇒ E(β)

(2.39)

Es decir, el estimador MCO es insesgado, tal como lo habíamos mostrado en la ecuación (2.28). De (2.38) podemos definir el error de estimación o sesgo como: βˆ − β = (X 0 X)−1 X 0 u

41



ˆ Ahora calculemos la varianza de β: ˆ = var(β) = = = = =

ˆ · (βˆ − E(β)) ˆ 0] E[(βˆ − E(β)) E[(βˆ − β) · (βˆ − β)0 ] E[(X 0 X)−1 X 0 uu0 X(X 0 X)−1 ] (X 0 X)−1 X 0 E(uu0 )X(X 0 X)−1 (X 0 X)−1 X 0 (σ 2 In )X(X 0 X)−1 σ 2 (X 0 X)−1

(2.40)

Para poder estimar la varianza de βˆ necesitamos reemplazar σ 2 en (2.40) por su estimador insesgado: σ e2 =

2.5.1.

u0 u n−k

Propiedad de mejor estimador lineal insesgado

ˆ es el mejor estimador lineal insesgado (MELI) de β si se cumple Se dice que β, lo siguiente: 1. El lineal, es decir, es una función lineal de una variable aleatoria, como la variable y en el modelo de regresión. ˆ es igual a el verdadero 2. Es insesgado, es decir, su valor esperado, E(β), valor, β. 3. Tiene varianza mínima dentro de la clase de todos los estimadores lineales insesgados; un estimador insesgado como varianza mínima es conocido como un estimador eficiente.

2.5.2.

Teorema de Gauss-Markov

Proposición: El estimador MCO es el estimador lineal insesgado óptimo, en el sentido de que cualquier otro estimador lineal e insesgado tiene una matriz de covarianza mayor que la del estimador MCO. Es decir, el estimador MCO es MELI. e un estimador lineal de β, donde A e es una matriz Demostración: Sea βe = Ay

42



e − (X 0 X)−1 X 0 , de modo que: k×n. Denotemos A = A βe = [A + (X 0 X)−1 X 0 ]Y = [A + (X 0 X)−1 X 0 ](Xβ + u) = AXβ + β + [A + (X 0 X)−1 X 0 ]u Aplicando esperanza a la expresión anterior: e = AXβ + β + [A + (X 0 X)−1 X 0 ]E(u) E(β) = AXβ + β El estimador βe será insesgado solo si la matriz A es tal que AX=0k×k . De esta forma: βe = β + [A + (X 0 X)−1 X 0 ]u y su matriz de covarianza será: e = E[(βe − β)(βe − β)0 ] cov(β) = E{([A + (X 0 X)−1 X 0 ]u)([A + (X 0 X)−1 X 0 ]u)0 } = σ 2 AA0 + σ 2 (X 0 X)−1 | {z } ˆ cov(β)

Como la matriz AA0 es semidefinida positiva, se concluye la diferencia entre la covarianza de βe y βˆ es una matriz semidefinida positiva, con lo que la covarianza de βe es mayor o igual a la covarianza de βˆ

43



2.6.

Geometría del Estimador MCO

Recordemos que el modelo de regresión muestral tiene la siguiente expresión: Y = X βˆ + uˆ la que puede ser reescrita de la siguiente forma: Y = P Y + MY

(2.41)

donde P se denomina matriz de proyección y se define de la siguiente manera: P = X(X 0 X)−1 X 0 Además se tiene que M=I-P. De acuerdo a la ecuación (2.36) el estimador MCO es tal que los errores son ortogonales a las X, es decir se deben escoger los parámetros β de forma tal que el vector de errores sea ortogonal al espacio formados por las variables explicativas. Así, el estimador MCO nos permite descomponer Y en dos términos ortogonales entre si: el primer componente puede ser escrito como una combinación lineal de las columnas x y el segundo es un componente ortogonal a X (el término de error), tal como lo muestra (2.41). Esto se representa gráficamente en la Figura 10. Y

MY

x1

PY 0

x2

Col X

Figura 10: Descomposición Ortogonal de Y

El término P Y alternativamente se puede ver como la proyección de Y en el espacio barrido por las X’s y M Y como la proyección de Y es el espacio ortogonal a las X’s. 44



2.7.

Bondad de Ajuste y Análisis de Varianza

El objetivo de esta sección es introducir un criterio de ajuste de nuestra regresión, es decir, un criterio que nos indique cuan bien se ajusta nuestro modelo a la muestra. En principio, podríamos pensar que la suma de los residuos cuadrados, es decir, nuestro criterio original de ajuste, es una buena opción: a menor sea éste, mejor es nuestro ajuste. Sin embargo, la suma de los residuos cuadrados puede ser arbitrariamente escalada al multiplicar la variable dependiente (Y) por el factor de escala deseado, lo cual invalida su uso como criterio de ajuste. Por ello, se ha desarrollado un criterio que elimine el problema anterior. Dicho estadístico ya no se basará en la magnitud de un valor (como la suma de los cuadrados de los residuos), sino que intentará preguntarse si la variación de las variables independientes (X) explica la variación de la variable independiente, como veremos más adelante. Para ello analizaremos con un poco más de profundidad el modelo de regresión lineal en desvíos con respecto a la media y presentaremos la llamada descomposición de varianza (o análisis de varianza), ambos, insumos fundamentales para obtener nuestro estadístico de bondad de ajuste.

2.7.1.

Modelo de Regresión Lineal en Desvíos

Sea el modelo poblacional usual con k variables: yi = β1 + β2 x2i + β3 x3i + · · · + βk xki + ui

(2.42)

donde i = 1 . . . n y cuya contraparte estimada es: yi = βˆ1 + βˆ2 x2i + βˆ3 x3i + · · · + βˆk xki + uî

(2.43)

Luego, si sumamos para todas las observaciones y dividimos a ambos lados por el tamaño muestral n, tenemos: Y¯ = βˆ1 + βˆ2 x¯2 + βˆ3 x¯3 + · · · + βˆk x¯k

(2.44)

βˆ1 = Y¯ − βˆ2 x¯2 + βˆ3 x¯3 + · · · + βˆk x¯k

(2.45)

por lo cual:

45



La ecuación (2.45) muestra que el término independiente de una regresión queda determinado por el resto de los k-1 coeficientes involucrados. Finalmente, note que restando las ecuaciones (2.43) y (2.44) obtenemos: yi − Y¯ = βˆ2 (x2i − x¯2 ) + βˆ3 (x3i − x¯3 ) + · · · + βˆk (xki − x¯k ) + uî

(2.46)

la cual es una expresión similar a (2.43), excepto por dos importantes diferencias. Primero, el modelo no posee constante y segundo, las variables se encuentran expresadas en desvíos con respecto a la media. A pesar de ello, note que los coeficientes y los residuos son los mismos en ambos modelos. De lo anterior surge un importante corolario respecto del término constante de nuestro modelo. En general, el interés del investigador se centra en el impacto de los regresores sobre la variable dependiente, por lo cual, el término constante no es más que una corrección que garantiza que los promedios muestrales de ambos miembros del modelo econométrico coincidan. Para transformar en desvíos con respecto a la media un modelo en términos matriciales, introduciremos una matriz fundamental para el análisis de esta sección. Denotaremos por M 0 una matriz de n × n, definida como:      1 0 ··· 0 1 1 ··· 1 1 − n1 − n1 · · · − n1 1     1 − n1 · · · − n1 ii0   0 1 ··· 0  1  1 1 ··· 1   − M 0 = I − =  .. .. . . .. −  .. .. . . ..  =  .. n .. .. .. n×n n  . . . .  n . . . .   . . . . − n1 · · · 1 − n1 0 0 ··· 1 1 1 ··· 1 − n1 donde I es la identidad (n×n) e i corresponde al vector unitario de dimensión n. Dicha matriz es singular, simétrica (M 0 ’=M 0 ) e idempotente (M 0 M 0 =M 0 ). En general, M 0 es conocida como matriz de desvíos, ya que resta a cada columna de la matriz involucrada, su media aritmética. Por ejemplo, es fácil comprobar que:       Pn ¯ y − Y y y1 1 i i=1  y2  1  Pn yi   y2 − Y¯  1 0     i=1   0 M Y = Y − ii Y =  ..  −  =  .. .. n     .  n . Pn. ¯ yn − Y yn i=1 yi Por lo tanto, nuestro modelo expresado en matrices, puede ser expresado en términos de desvío con respecto a la media como: M 0 Y = M 0 Xβ + M 0 u

46

(2.47)

    



2.7.2.

Análisis de Varianza

Suponga entonces el siguiente modelo poblacional: Y = Xβ + u donde Y corresponde a una vector n × 1, X corresponde a nuestra matriz de regresores que incluye un término constante, tal que X es de n × k y u corresponde a nuestro vector de errores de n × 1. Buscamos entonces definir la variación de la variable dependiente (Suma de los cuadrados totales = TSS) como3 : T SS =

n X (Yi − Y¯ )2

(2.48)

i=1

Para encontrar entonces una expresión para (2.48), de la ecuación (2.47) tenemos que nuestro modelo estimado en desvíos con respecto a la media es: M 0 Y = M 0 X βˆ + M 0 uˆ con lo cual, al particionar nuestra matriz X en X = [i X2 ], nuestro vector de parámetros en β 0 = [β1 β2 ] y considerando que M 0 i = 0 y que M 0 uˆ = uˆ, tenemos que: M 0Y

= M 0 iβˆ1 + M 0 X2 βˆ2 + M 0 uˆ = M 0 X2 βˆ2 + uˆ

(2.49)

Luego, para formar la TSS(suma de los cuadrados totales o la suma de los cuadrados de las desviaciones de Y con respecto a su media), de la ecuación (2.48), multiplicamos por Y’ la ecuación (2.49): Y 0M 0Y

= = = 0 0 Y M Y = T SS =

Y 0 (M 0 X2 βˆ2 + uˆ) (X βˆ + uˆ)0 (M 0 X2 βˆ2 + uˆ) βˆ0 X 0 M 0 X2 βˆ2 + βˆ0 X 0 uˆ + uˆ0 M 0 X2 βˆ2 + uˆ0 uˆ βˆ2 X20 M 0 X2 βˆ2 + uˆ0 uˆ ESS + RSS

(2.50) (2.51)

donde el segundo y el tercer término desaparecen gracias a que los residuos estimados son, por construcción, ortogonales a las variables explicativas 4 . La igualdad 3

Note que para dicha definición utilizamos los cuadrados de la desviaciones, ya que la suma de las desviaciones es siempre cero. 4 ˆ = X 0 Y − X 0 Y = 0. Ya que X 0 u ˆ = X 0 (Y − X β)

47



anterior es conocida como la descomposición de varianza. El término de la izquierda corresponde a TSS o la suma de los cuadrados de las desviaciones de la variable dependiente. En otras palabras, la variabilidad de Y. En la derecha se encuentra la variabilidad de las variables independientes o regresores y la variabilidad de los errores. ¿Cuál es entonces el objetivo?: descomponer la varianza de la variable dependiente aquella parte que es explicada por la regresión (ESS) de aquella parte explicada por los residuos (RSS). ¿Por qué?: porque intuitivamente, la regresión se ajusta mejor si las desviaciones de Y se explican en su mayor parte por desviaciones de X y no por desviaciones de los residuos.

2.7.3.

˜2 Bondad de Ajuste: R2 y R

Definimos entonces la bondad de ajuste del modelo a través del siguiente estadígrafo llamado también coeficiente de determinación: R2 =

ESS T SS

(2.52)

es decir, como la proporción de la varianza de Y que es explicada por la varianza de la regresión. Alternativamente: R2 = 1 −

RSS T SS

(2.53)

Note que: 1. El coeficiente de determinación es siempre menor a 1. Ello porque RSS ≤ T SS y por lo tanto RSS ≤ 1. T SS 2. El análisis de varianza anterior fue derivado bajo el supuesto que el modelo incluía una constante (por ello utilizábamos la matriz M 0 ). En dicho caso, necesariamente R2 ≥ 0. En caso de que el modelo no incluya una constante, se debe utilizar la fórmula (2.5.2) utilizando TSS=Y’Y (sin desvíos). 3. Al agregar regresores al modelo, el R2 nunca decrecerá (se mantendrá constante o aumentará) 4. No es claro cuan bueno sea como predictor de ajuste. Para ver este último punto, suponga que usted posee el siguiente modelo poblacional: Y = β1 + β2 X + u 48



donde X es un vector (n × 1). Suponga ahora que restamos X a ambos lados de nuestro modelo. Obtenemos entonces: Y − X = β1 + γX + u Si β2 ≈ 1, entonces es fácil verificar que el R2 del primer modelo será cercano a 1, mientras que el del segundo sera cercano a cero, a pesar de que los modelos son matemáticamente equivalentes. A pesar de lo anterior, en trabajos aplicados, el R2 es ampliamente utilizado, por lo cual se recomienda su publicación. Retrocedamos ahora al punto tres. El nos dice que el coeficiente de determinación probablemente crecerá al incluir regresores. Ello plantea incentivos a incluir regresores no relevantes para nuestro modelo, con el fin de obtener un mejor ajuste. ¿Porqué sucede esto?, ya que al incluir regresores, la RSS necesariamente decrece (o en el mejor de los casos se mantiene), mientras que la TSS permanece constante. Por esta razón se creó el coeficiente de determinación ajustado, el cual corrige el R2 original por los grados de libertad del numerador y el denominador. Entonces, ˜ 2 ) como: definimos el R2 ajustado (R 0 ˜ 2 = 1 − uˆ uˆ/(n − k) R Y 0 M Y /(n − 1)

(2.54)

˜ 2 = 1 − (1 − R2 ) (n − 1) R (n − k)

(2.55)

o equivalentemente:

49



2.8.

Inferencia

Una vez que hemos estimado nuestra regresión muestral, es necesario preguntarse cuan buena aproximación es dicha regresión de la poblacional. Para que la aproximación sea cercana, es condición necesaria que los parámetros incluidos en la regresión muestral sea estadísticamente distintos de cero (en caso contrario, no pertenecen a la regresión poblacional). Así, uno de nuestros objetivos puede ser el testear la significancia individual de los parámetros. Pero lo anterior es sólo una de las preguntas que como investigadores podemos estar interesados en responder. Por ejemplo, en la estimación de la función de producción de una firma, que asumimos Cobb Douglas (Y = AK α Lβ eu o en logaritmo ln Y = ln A + α ln K + β ln L + u), podemos estar interesados en descubrir si la firma presenta rendimientos constantes, crecientes o decrecientes a la escala, lo cual se reflejará en que α + β > o ≤ 1. Por lo tanto, ello podría ser otra hipótesis interesante de plantearse. También podría ser interesante descubrir si todos los parámetros a la vez son distintos de cero, o de algún valor determinado. La gama de preguntas posibles respecto del valor de los parámetros es sólo acotada por la pregunta que el investigador desee responder. Nuestro objetivo es, por lo tanto, desarrollar los métodos de inferencia y contraste de hipótesis que nos permitan responder, en el contexto de una regresión muestral particular, las preguntas anteriores. Dos notas precautorias. En esta sección nos ocuparemos de restricciones o hipótesis lineales sobre los coeficientes. Restricciones no lineales son más escasas en econometría aplicada y se desarrollan en contexto de un modelo particular. Segundo, en todo lo que se refiere a este apartado, asumiremos que los errores de nuestra regresión muestral siguen una distribución normal (ya veremos porqué). Entonces, sea nuestro modelo poblacional Y = Xβ + u donde X es una matriz de (n × k),u e Y son vectores (n × 1) y β es vector de (k × 1). Sean entonces las siguientes hipótesis: 1. H0 : βi = 0 ⇒ Plantea que el regresor Xi no posee influencia alguna sobre Y. Este es el test más común y nos referiremos a él como test de significancia. 50



2. H0 : βi = βi0 ⇒ Plantea que el regresor Xi posee un impacto determinado por βi0 sobre Y. 3. H0 : βi + βj =1 ⇒ Plantea que la suma de los regresores Xi y Xj poseen un impacto conjunto de magnitud 1. 4. H0 : βi = βj ⇒ Plantea que los regresores Xi y Xj poseen el mismo impacto sobre Y. 5. H0 : βi =0 ∀ i=2. . . k ⇒ Plantea que todos los regresores conjuntamente, excepto la constante, son cero. 6. H0 : βl =0 donde el vector β ha sido particionado en dos (βl y βp ) con dimensiones (kl × 1) y (kp × 1) respectivamente, tal que kl + kp = k. Plantea entonces que un subconjunto de parámetros son estadísticamente no significativos. Todas las hipótesis anteriores pueden ser resumidas en la siguiente expresión: Rβ = r donde R es una matriz de (q × k) constantes conocidas (ceros o unos), cuyo objetivo será seleccionar los parámetros a testear, cuyo número de filas, q, representa el número de restricciones. A su vez, r es un vector de dimensión q y contiene el real al cual es restringido cada parámetro. Veamos como serán las matrices R y r en cada una de nuestras hipótesis: 1. R=[0. . . 010 . . . 0]; r=0; q=1 donde 1 se encuentra en la i-ésima posición 2. R=[0. . . 010 . . . 0]; r=βi0 ; q=1 donde 1 se encuentra en la i-ésima posición 3. R=[0. . . 010 . . . 010 . . . 0]; r=1; q=1 donde 1 se encuentra en la i-ésima posición y en la j-ésima posición. 4. R=[0. . . 010 . . . 0-10 . . . 0]; r=0; q=1 donde 1 se encuentra en la i-ésima posición y en la j-ésima posición. 5. R=[0q×1 Ik−1 ]; r=0; q=k − 1 6. R=[0ki ×kj Iki ]; r=0; q=ki 51



Entonces, nuestra hipótesis nula corresponde a: H0 : Rβ = r

(2.56)

con lo cual, sólo nos resta derivar el test que nos permita rechazar o no rechazar nuestra nula. La construcción del estadígrafo es como sigue. Dado que MCO ˆ = β, por lo tanto, (bajo los supuestos relevantes) es insesgado, tenemos que E(β) ˆ = Rβ, mientras que la varianza de Rβˆ corresponde a E(Rβ) ˆ = E[R(βˆ − β)(βˆ − β)0 R0 ] V [Rβ] ˆ 0 = RV ar(β)R = σ 2 R(X 0 X)−1 R0 Necesitamos aún un supuesto más para determinar la distribución muestral de nuestra nula. Dado que βˆ es función de u y u ∼ N (0, σ 2 ), entonces βˆ ∼ N (β, σ 2 (X 0 X)−1 ) y por lo tanto Rβˆ ∼ N (r, σ 2 R(X 0 X)−1 R0 ), entonces: βˆ ∼ N [β, σ 2 (X 0 X)−1 ]

(2.57)

Rβˆ ∼ N [Rβ, σ 2 R(X 0 X)−1 R0 ]

(2.58)

y

y si la nula Rβ = r es cierta: ∴

(Rβˆ − r) ∼ N [0, σ 2 R(X 0 X)−1 R0 ]

(2.59)

luego estandarizamos, con lo cual: (Rβˆ − r)

p

σ 2 R(X 0 X)−1 R0

∼ N [0, 1]

(2.60)

Además, se puede demostrar que (hacerlo)5 : uˆ0 uˆ ∼ χ2(n−k) σ2

(2.61)

Luego, se puede demostrar que (hacerlo)6 : (Rβˆ − r)0 [σ 2 R(X 0 X)−1 R0 ]−1 (Rβˆ − r) ∼ χ2q 5

(2.62)

Basta con recordar que si x corresponde a un vector de realizaciones normales (0,1), por lo cual x ∼ N (0, σ 2 I) y A corresponde a una matriz simétrica e idempotente de rango n, entonces 1 0 2 ˆ = M Y = M u y que el rango de una matriz simétrica σ 2 x Ax ∼ χn . Finalmente, recuerde que u e idempotente es su traza. 6 Basta con recorder que si el vector x, de dimensión n, es tal que x ∼ N (0, Σ), entonces, 0 −1 x Σ x ∼ χ2n .

52



luego, combinando los dos resultados anteriores, se puede demostrar que (hacerlo)7 : [(Rβˆ − r)0 [R(X 0 X)−1 R0 ]−1 (Rβˆ − r)]/q ∼ F(q,n−k) uˆ0 uˆ/(n − k)

(2.63)

El test expuesto en (2.63) corresponde a la forma general del test F. Dicho test es de utilidad para testear cualquier hipótesis de la forma expuesta en (2.56). A continuación veremos subcasos de dicho test general.

2.8.1.

Test t (Una hipótesis lineal)

Reescribiendo el test F como: ˆ 0 ]−1 (Rβˆ − r)] ∼ F(q,n−k) [(Rβˆ − r)0 [RVd ar(β)R y haciendo el reemplazo respectivo de R y r correspondientes a las hipótesis 1 o 2 (H0 : βi = 0 = βi0 ), llegaremos a: F =

(βˆ − βi0 )2 ∼ F (1, n − k) Vd ar(βi )

(2.64)

Recordando que t2 es una caso particular de una F con un grado de libertad en el numerador, tenemos que: βˆ − βi0 t= q ∼ tn−k Vd ar(βi )

(2.65)

Lo anterior es conocido como el test t (test de significancia) y en su versión más βˆ utilizada corresponde a t = √ d , donde se busca testear la hipótesis nula de V ar(βi )

que el parámetro es cero. El test t también cubre los casos 3. y 4.. En el caso 3. por ejemplo (H0 : βi +βj =1), el estadígrafo corresponderá a: βî + βˆj − 1

t= q

d βî , βˆj ) + Vd Vd ar(βî ) + 2Cov( ar(βˆj )

∼ tn−k

(2.66)

La distribución t es simétrica y se aproxima a la normal para tamaños de muestras 7

Sólo un poquito de álgebra y recordar como se construye una distribución F(q, n-k) a partir de la división de dos χ2 con grados de libertad q en el numerador y n-k en el denominador.

53



grandes, sin embargo, la t posee colas más gruesas que la normal (lo cual es más pronunciado en muestras pequeñas: n≤30). La siguiente figura expone la relación entre la distribución t y la normal:

Probabilidad

Distribución Normal

Distribución t

0

Nota precautoria: Toda la derivación anterior se basa en el estricto supuesto de normalidad de los errores. En caso de que los mismos no distribuyan normal, la distribución del test F (y por lo tanto el del t) es desconocida en muestras finitas. Sin ema bargo, es posible demostrar que t ∼ N (0, 1), es decir, que el test t distribuye asintóticamente normal. Luego, los valores críticos de t y Φ (normal estándar) se encuentran sumamente cerca si n-k≥30, por lo cual, en términos prácticos no importa mucho cual de ellas escojamos para los valores críticos (a menos que la muestra sea especialmente pequeña). Finalmente, nos queda examinar los criterios de rechazo del test y los niveles de confianza. Como usted recordará de sus clases de estadística, lo anterior depende de como especifiquemos la hipótesis alternativa. A continuación, pasamos a revisar este punto. 54



Criterio de Rechazo y Nivel de Confianza Una vez que hemos calculado el valor del test para nuestra nula particular (o valor calculado), resta calcular el valor crítico o el valor que nos indica la tabla t. Dicho valor crítico nos dirá si nuestra nula es falsa o si no podemos afirmar que lo es. La elección de dicho valor crítico se toma desde la tabla de distribución t y el número debe ser escogido tomado en cuenta el nivel de significancia escogido (1 %, 5 % o 10 %), el cual a su vez determina el nivel de confianza del test (99 %, 95 % o 90 %, respectivamente). El nivel de confianza posee una explicación intuitiva: Nuestro estadígrafo es función de la muestra con lo que estamos trabajando, por lo cual, si contáramos con una gran número de ellas y con cada una pudiésemos calcular nuestro estadígrafo, el nivel de confianza indica el porcentaje de veces que calculamos nuestro estadígrafo en que realmente no rechazamos lo cierto o rechazamos correctamente lo falso. La forma en que se distribuya la probabilidad de rechazo, es decir, el nivel de significancia, depende de nuestra hipótesis alternativa. A continuación revisamos dicho asunto. Test de una cola Supongamos que nuestra hipótesis es: H0 : βi = βio H1 : βi > βio donde βi0 ∈ R. En dicho caso, el estadígrafo es calculado según lo propuesto en la sección anterior. El punto está en como acumulamos la probabilidad de rechazo. En este caso, el total de la probabilidad de rechazo se acumula en la cola derecha de la distribución, como lo muestra la siguiente figura8 : 8

¿Por qué en la cola derecha? Porque la probabilidad de rechazo, es decir, el nivel de significancia, nos indica hasta donde puedo tolerar un valor mayor a βio , por lo cual, carecería de sentido que la zona de rechazo se encuentre en la cola izquierda de la distribución. Por ejemplo, si βio =0, la distribución de nuestro estadígrafo se centra en cero (vea la fórmula), por lo cual la hipótesis alternativa correspondería a que el parámetro es positivo. el punto es ¿cuán positivo puedo aceptar que sea?.

55



Probabilidad

Se Rechaza (5%) No se Rechaza

por lo tanto, rechazaremos nuestra hipótesis nula de que el coeficiente es cero contra la hipótesis alternativa que el parámetro es mayor que βio , si el valor calculado del test es mayor al valor crítico de la tabla t. En el caso que H1 sea que el parámetro es menor a βio , entonces la probabilidad de rechazo se concentra en la cola izquierda y se rechaza la nula en el caso que el valor calculado sea menor que el valor crítico de la tabla t. Test de dos colas Supongamos que nuestra hipótesis es: H0 : βi = βio H1 : βi 6= βio En este caso estamos repartiendo uniformemente la probabilidad de rechazo en ambas colas de la distribución como lo muestra la siguiente figura (al 95 % de confianza):

56



Probabilidad

Se Rechaza (2,5%))

Se Rechaza (2,5%) No se Rechaza

Por lo tanto, rechazaremos la nula si el valor calculado es en módulo mayor que el valor crítico de tabla. Note que en este caso, la probabilidad de rechazo se reparte un partes iguales en ambas colas. Ello se justifica en que la distribución t corresponde a una distribución simétrica. Error de Tipo I, Error de Tipo II, Tamaño y Potencia de un test Antes de continuar, veremos cuatro conceptos estadísticos importantes que nos indican características de nuestro test. 1. Error de Tipo I (ETI): Corresponde a la probabilidad de rechazar la nula cuando es cierta. 2. Error de Tipo II (ETII): Corresponde a la probabilidad de aceptar la nula cuando es falsa. 3. Tamaño del Test: Corresponde la probabilidad de cometer ETI. Se define como el nivel de significancia del test (α). 4. Potencia del Test: Corresponde a la probabilidad de rechazar la nula cuando es falsa. Se define como Potencia =1-ETII. El óptimo para el investigador sería minimizar ambos tipos de errores y tener un test con un menor tamaño y mayor potencia posibles, sin embargo, note que el 57



tamaño del test y por lo tanto, el ETI, es una variable endógena al investigador, en tanto que él decide con que nivel de confianza trabajar. Luego, el objetivo se transforma en, dado un nivel de confianza, minimizar la ocurrencia de ETII. Intuitivamente, si usted escoge un nivel de significancia pequeño (1 %, por ejemplo), sus zonas de rechazo serán pequeñas, con lo cual, inevitablemente, la zona de no rechazo crece, lo cual implica que por minimizar el ETI, ha aumentado el ETII. P-value Otra forma alternativa al valor crítico de tabla para rechazar o no rechazar nuestra nula, corresponde al uso de los llamados p-values, los cuales son reportados en cualquier paquete estadístico. El p-value (p) se define como: p = p(tcalculado ) = P (|Z| ≥ |tcalculado |) = 2(1 − Φ(|tcalculado |))

(2.67)

es decir, el p-value representa la probabilidad de que el valor crítico (t de tabla, en nuestro caso), sea mayor al valor t calculado, es decir, describe el nivel de significancia exacto asociado a un resultado econométrico en particular. Por ejemplo, un p-value de 0.07 indica que un coeficiente es estadisticamente significativo en un nivel de 0.07 (o con un 93 % de confianza). Ejemplo: Suponga el siguiente Modelo de Regresión Lineal Simple: Yi = β1 + β2 Xi + ui

para i = 1, ..., N

Además posee la siguiente información muestral de X e Y: Y X

2 5 6 0 10 18

7 20

El estimador MCO de β1 y β2 es el siguiente: ¸ · ¸−1 · ¸ · ¸ · 4 48 20 2,1935 βˆ1 ˆ = β= ˆ = 48 824 298 0,2338 β2 La matriz de varianzas y covarianzas de βˆ es: ˆ = σ Vˆ (β) û2 (X 0 X)−1 · ¸−1 · ¸ 0,436 4 48 0,180866 −0,010536 = = 48 824 −0,010536 0,000878 2 58



Primero veamos el ajuste de este modelo, es decir, en que grado la variable x 2 explica a la variable y, para lo cual calculemos el R2 y R : P4 uˆ2 RSS 0,436 2 R = 1− = 1 − P4 i=1 i =1− = 0,969 2 T SS 14 (Y − Y ) i i=1 P4 ˆ2i /2 RSS/2 2 i=1 u R = 1− = 1 − P4 = 0,953 2 T SS/3 i=1 (Yi − Y ) /3 Como podemos ver, el grado de ajuste del modelo es bastante bueno, como el modelo incluye constante, el R2 se puede interpretar como la proporción de la variabilidad de la variable independiente que es explicada por la variabilidad de la variable dependiente, la que en este caso alcanza un 97 %. Ahora veamos si estos parámetros estimados son significativos a un 95 % de confianza, para lo cual realizaremos un test t de significancia a cada uno de ellos: 1. Test de significancia de βˆ1 :

H0 : βˆ1 = 0 H1 : βˆ1 6= 0 t=

βˆ1 V ar(βˆ1 )

∼ t2

De esta forma, el valor calculado para el estadístico t es: 2,193548387 tc = √ = 5,157850523 0,180866 El valor de tabla del estadístico t a un 95 % de confianza y con dos grados de libertad es 4,303. Probabilidad

No se Rechaza

Se Rechaza (2,5%))

Se Rechaza (2,5%)

t(2)=4,303

t(2)=4,303

tc=5,158

59



De esta forma, se rechaza la hipótesis nula de que βˆ1 =0, y por lo tanto el parámetro estimado resulta ser estadísticamente significativo. 2. Test de significancia de βˆ2 :

H0 : βˆ2 = 0 H1 : βˆ2 6= 0 t=

βˆ2 V ar(βˆ2 )

∼ t2

De esta forma, el valor calculado para el estadístico t es: 0,233870968 = 7,892762865 tc = √ 0,000878 El valor de tabla del estadístico t a un 95 % de confianza y con dos grados de libertad es 4,303. Probabilidad

No se Rechaza

Se Rechaza (2,5%))

Se Rechaza (2,5%)

t(2)=4,303

t(2)=4,303

tc=7,893

De esta forma, se rechaza la hipótesis nula de que βˆ2 =0, y por lo tanto el parámetro estimado resulta ser estadísticamente significativo. 3. TAREA: Testee la siguiente hipótesis nula: H0 : βˆ1 − βˆ2 = 2 H1 : βˆ1 − βˆ2 6= 2

60



2.8.2.

Test F (Conjunto de hipótesis lineales)

Los casos 6. y 5. corresponden a un conjunto de hipótesis a testear. En el caso 5. correspondía a un subconjunto particular de parámetros, mientras que el caso 6. correspondía a la nula de que todos ellos eran cero, menos la constante. En dichos casos se aplica la fórmula del test F según la ecuación (2.63) y los criterios de rechazo siguen lo expuesto en la sección anterior. Sin embargo, en ambos casos podemos derivar expresiones alternativas para nuestro test.

Todas las pendientes del modelo son cero: En este caso, se puede demostrar que el test F puede expresarse como: F =

ESS/(k − 1) ∼ F(k−1,n−k) RSS/(n − k)

(2.68)

o alternativamente, utilizando la definición del R2 : F =

R2 /(k − 1) ∼ F(k−1,n−k) (1 − R2 )/(n − k)

(2.69)

Un subconjunto de las pendientes del modelo son cero: En este caso, se puede demostrar que el test F puede expresarse como: F =

(ˆ u0∗ uˆ∗ − uˆ0 uˆ)/k2 ∼ F (k2 , n − k) uˆ0 uˆ/(n − k)

(2.70)

donde uˆ∗ denotan los residuos MCO restringidos (donde k2 representa el número de regresores que han sido restringidos a cero), mientras que uˆ representan los residuos del modelo MCO original.

2.8.3.

Intervalos de Confianza

Una forma alternativa (o mejor dicho complementaria) de examinar la significancia estadística de un parámetro ( o un conjunto de ellos) es a través de intervalos de confianza (IC). Ellos nos indican, dado un nivel de confianza, el rango de valores admisibles del coeficiente que se estima. Los niveles de confianza generalmente utilizados son 99 %, 95 % y 90 % (al igual que en los test de hipótesis), 61



donde el tamaño de los mismos es necesariamente decreciente9 . Una manera natural de obtener el IC asociado a βî es a través del test t asociado. Vimos entonces que él corresponde a: βˆ − βi0 qi ∼ tn−k V ar(βî ) entonces, si deseamos un IC del (1-α) % de confianza (es decir, de α % de significancia) para el parámetro βî , basta obtener de las tablas de distribución el valor λα correspondiente, es decir:   ˆ βi − βi0 1 − α = P r Zα/2 ≤ q ≤ Z1−α/2  V ar(βî )   βî − βi0 = P r −Z1−α/2 ≤ q ≤ Z1−α/2  ˆ V ar(βi ) · ¸ q q ˆ ˆ ˆ ˆ = P r βi − Z1−α/2 V ar(βi ) ≤ βi0 ≤ βi + Z1−α/2 V ar(βi ) donde la tercera expresión se obtiene de despejar βi0 de la segunda. Note que el intervalo ha sido construido en base a una distribución simétrica (como la t o la normal), por lo cual el valor de tabla a escoger debe corresponder a α/2. Note además que dicho intervalo está construido sólo en base a constantes conocidas. Una vez construido, se puede contrastar la nula (H0 : βi = βi0 ) al nivel de significancia α sencillamente observando si βi0 pertenece al intervalo (en cuyo caso no rechazamos la nula) o se encuentra fuera de él (en cuyo caso rechazamos la nula)10 . Nuevamente, la validez de dicho intervalo de confianza depende críticamente del supuesto de distribución de los errores. En el caso que el valor Zα se obtenga de la tabla t, como ya sabemos, estamos suponiendo que los errores siguen una distribución normal. Un caso más general es utilizar los valores críticos de la distribución normal estándar. También es posible derivar regiones de confianza, es decir, IC de confianza simultáneos para una conjunto de parámetros, sin embargo, su utilización es escasa 9

Intuitivamente, ya que a más exacta es mi estimación del rango posible, con menos confianza puedo afirmar estar en lo correcto. 10 Una forma fácil de verlo es pensando en βi0 =0, es decir, que la variable xi no ayuda a explicar y.

62



en econometría aplicada (¡a menos que su pregunta puntual lo requiera!). Finalmente derivaremos el intervalo de confianza para la varianza de los errores. Sabemos de la ecuación (2.61) que: uˆ0 uˆ ∼ χ2n−k 2 σ ∴ (n − k)˜ σ2 ∼ χ2n−k 2 σ

(2.71)

ˆ tenemos Utilizando la misma lógica que utilizamos para el IC de un parámetro β, 2 que el IC para σ ˜ corresponde a: " # 2 (n − k)˜ σ2 (n − k)˜ σ ≤ σ2 ≤ 2 = (1 − α) (2.72) χ2n−k,α χn−k,1−α Note que los valores críticos utilizados corresponden a χ2n−k,1−α y χ2n−k,α , ya que la distribución χ2 es una distribución asimétrica.

2.8.4.

Test de Normalidad (Test de Jarque-Bera)

Consideramos ahora el problema de utilizar los momentos de los residuos MCO para hacer inferencia sobre la distribución de los errores poblacionales. Dado que algunas de las propiedades de MCO y de la inferencia dependen del supuesto de normalidad en los errores, es importante poseer un contraste para dicho supuesto. Como es sabido, la distribución normal es simétrica y mesocúrtica. La simetría implica que el tercer momento poblacional E(u3 ) en torno a la media, es cero. El hecho que sea mesocúrtica implica que la kurtosis es 3 (es decir, el ancho de las colas de la distribución, el cual se mide utilizando el cuarto momento en torno a la media). Recordemos entonces que el coeficiente de simetría poblacional se define como: √ E(u3 ) S= 3 (σ 2 ) 2 mientras que la kurtosis (o coeficiente de): E(u4 ) K= (σ 2 )2

63



En base a los anteriores, Bera y Jarke (1981), propusieron el siguiente estadígrafo, construido bajo la nula de normalidad: " # ˆ − 3)2 a Sˆ (K JB = n + ∼ χ2(2) 6 24 Donde los estimadores muestrales del coeficiente de asimetría y kurtosis se obtienen al considerar que un estimador natural de: µr = E[ˆ ur ] corresponde a:

n

1X r mr = uˆ n i=1 i

Note que el estadígrafo está definido en términos del exceso de kurtosis, por lo cual, a menor sea el valor, menor es la probabilidad de rechazar la nula de normalidad. Note además que el estadístico es esencialmente no constructivo, en términos de que no nos indica que camino seguir en caso de rechazar la nula, además de que no rechazar normalidad no implica confirmar su existencia. Sin embargo, en la práctica corresponde al test más utilizado.

64



2.9.

Predicción

La predicción es una de las herramientas más atractivas y utilizadas en Econometría. Si el modelo que hemos escogido confirma la teoría en consideración, es decir, a sobrevivido a las pruebas de hipótesis, podemos utilizar el modelo estimado Yb = X βb para predecir. La predicción se puede efectuar para un valor puntual de la variable dependiente, y 0 , correspondiente a un valor dado de los regresores, x0 , o predecir el valor esperado E[y 0 /x0 ] condicional a las variables explicativas. Supongamos primero que queremos predecir un valor individual de Y, y 0 , asociado a un vector de regresores x0j con j = 1, 2..., k de dimensión 1 × k. De acuerdo con el modelo econométrico se tiene que y 0 = β1 +x02 β2 +.....+x0k βk +u0 . Para predecir el valor de y 0 podemos utilizar la estimación MCO del modelo, b yb0 = x0 β. De esta forma, el error de predicción estará dado por : b + u0 e0 = y 0 − yb0 = x0 (β − β) En donde se distinguen dos fuentes del error de predicción El error en la estimación del vector β El error estocástico inherente al modelo u0 Sin embargo, si consideramos que el estimador MCO es insesgado y mantenemos los supuestos de nuestro modelo de regresión lineal, es trivial mostrar que el valor esperado del error de predicción será cero. Además, podemos calcular la varianza del error de predicción: b b 0 x00 + 2x0 (β − β)u b 0 + u0 u00 ] V ar(b e0 ) = E[x0 (β − β)(β − β) V ar(b e0 ) = σµ2 + σµ2 x0 (X 0 X)−1 x00 La varianza del error de predicción dependerá de la matriz de regresores X de dimensión n × k que se utilizó para obtener las estimaciones de β. Sabemos que a mayor dispersion de las variables explicativas menor varianza tendrán nuestras estimaciones MCO11 . Además dependerá del vector x0 que hemos asumido 11

Es posible y se recomienda derivar una expresión para la varianza del error de predicción utilizando un modelo con 2 regresores. En está expresión se aprecia claramente la dependencia de la varianza del error de predicción con la dispersion en torno a la media de las variables explicativas.

65



conocido y del parámetro σµ2 , el cual no conocemos y deberá ser reemplazado por su estimador σ bµ2 si es que queremos construir un intervalo de confianza para la predicción yb0 . Bajo supuestos de normalidad del término de error, el error de predicción es una combinación lineal de dos variables normales por lo tanto tiene una distribución Normal(0, σ be2 ). Por lo tanto, por una razonamiento análogo al de las secciones anteriores se tiene que: q

y 0 − yb0

∼ N (0, 1)

⇒

σµ2 (1 + x0 (X 0 X)−1 x00 )

y 0 − yb0 q ∼ tn−k σ bµ2 (1 + x0 (X 0 X)−1 x00 )

Por lo tanto, dada una predicción puntual yb0 y una estimación de la desviación estándar del error de predicción podemos construir un intervalo de confianza para el valor de y 0 : p p P r[b y 0 − t1−α/2,n−k V ar(b e0 ) ≤ y 0 ≤ yb0 + t1−α/2,T −k V ar(b e0 )] = 1 − α Consideremos ahora que el investigador no está interesado en predecir el valor de la variable endógena y 0 , si no tan solo su valor esperado E(y 0 ) = x0 β. La b La diferencia es que el error predicción, al igual que en el caso anterior, será x0 β. de predicción en este caso estará definido por ee = E[y 0 ] − x0 βb = x0 β − x0 βb = b x0 (β − β). Calculando entonces la varianza (Hacerlo!) de este nuevo error de predicción podemos construir ahora un intervalo de confianza para E(y 0 ) de la misma forma que antes. E[y 0 ] − yb0 q ∼ N (0, 1) σµ2 (x0 (X 0 X)−1 x00 ) P r[b y 0 − t1−α/2,n−k

p

⇒

E[y 0 ] − yb0 q ∼ tn−k σ bµ2 (x0 (X 0 X)−1 x00 )

V ar(e e0 ) ≤ E[y 0 ] ≤ yb0 + t1−α/2,T −k

p V ar(e e0 )] = 1 − α

b = x0 V ar(β)x b 00 = σ 2 x0 (X 0 X)−1 x00 . Donde utilizamos V ar(yb0 ) = V ar(x0 β) µ La siguiente figura ejemplifica las predicciones de y 0 y E[y 0 /x0 ] en un modelo de 2 variables independientes.

66



2.9.1.

Medición de la precisión de la predicción

Se han propuesto varias medidas para valorar la precisión de los modelos de predicción. Muchas de estas medidas están para evaluar la predicción expost, es decir, predicciones para las que las variables exógenas no tienen que ser predichas. Dos de estas medidas que se basan en los residuos de la predicción, son la raíz cuadrada del error cuadrado medio y el error absoluto medio. rP bi )2 i (yi − y RM SE = n0 67



P M AE =

i

| yi − ybi | n0

Donde n0 es el número de períodos que hay que predecir. Estos métodos presentan un problema obvio de escala. Algunas medidas que no presentan este problema se basan en el estadístico U de Theil. s P (1/n0 ) i (yi − ybi )2 P U= (1/n0 ) i yi2 Ejemplo: Supongamos que un analista comercial está pensando en construir un edificio comercial para luego vender. Sin embargo, no sabe cuales son las características que debiera tener el edificio para maximizar su rentabilidad. Para descubrir esto el se propone realizar un análisis de regresión. El analista elige al azar una muestra de 11 edificios de oficinas de 1500 edificios posibles. Estos datos los puede utilizar para emplear el análisis de regresión lineal multiple para estimar el valor de un edificio de oficinas en un área determinada basándose en las siguientes variables.

Datos

x1 Superficie m2 2310 2333 2356 2379 2402 2425 2448 2471 2494 2517 2540

x2 Oficinas 2 2 3 3 2 4 2 2 3 4 2

x3 Entradas 2 2 1,5 2 3 2 1,5 2 3 4 3

x4 Antiguedad años 20 12 33 43 53 23 99 34 23 55 22

y Valor Edificio US$ 142000 144000 151000 150000 139000 169000 126000 142900 163000 169000 149000

Teniendo los datos podemos entonces utilizar cualquier software estadístico que nos permita desarrollar la estimación por mínimos cuadrados ordinarios del modelo de regresión. Supongamos que el modelo que mejor describe el comportamiento de nuestra variable dependiente es un modelo lineal del tipo: yi = β1 + β2 x2i + β3 x3i + β4 x4i + µi Utilizando el software Stata tenemos:

68



A mayor número de metros cuadrados, entradas y cantidad de oficinas del edificio mayor es el valor comercial de este. Además, mientras más años de construcción menor es el valor del edificio. Todas las variables incluidas en el modelo son estadísticamente significativas( lo cual se puede ver comparando los test calculados con los de t de tabla, o viendo directamente el p-value) individualmente (Test t) y conjuntamente(Test F). Un porcentaje importante de la varianza del precio es explicada por la varianza de las variables explicativas, conclusión obtenida a 2 partir del alto R2 y R observado. Las conclusiones obtenidas a partir de la inferencia realizada son válidas s i el supuesto de normalidad de los errores se cumple. Para estudiar esto observemos el comportamiento de los errores estimados y realicemos un Test de Normalidad(JarqueBera).

69



Podemos ver que la distribución de los errores no es del todo simétrica (Skewness = 1,2) y que tampoco presenta un comportamiento mesocurtico (Kurtosis = 3). Ambos elementos se ven reflejados en el estadísitico Jarque - Bera, el cual cae en la zona de rechazo (Ver además p -value). Las estimaciones realizadas anteriormente pueden hacerse en cualquier programa estadístico, incluso en el sub utilizado programa excel, el cual posee un comando que permite obtener estimaciones de regresiones lineal de manera mu rápida.

70



Con los parámetros estimados es posible realizar predicciones del valor de un edificio particular condicional a sus características. ybi = βb1 + βb2 x2i + βb3 x3i + βb4 x4i Por ejemplo podría calcular el valor tasado de un edificio de oficinas en la misma zona con 2500 metros cuadrados, tres oficinas, dos entradas y una antiguedad de 25 años. Es decir realizar predicciones fuera de la muestra. 158261 = 52318 + 27,64 ∗ 2500 + 12530 ∗ 3 + −234,24 ∗ 25 Para analizar la capacidad predictiva de nuestro modelo realicemos predicciones utilizando la muestra que ya tenemos. Utilizando por ejemplo el programa Eviews tenemos.

71



72



Si analizamos los errores de predicción podemos ver que en promedio son cero, tal como se demostró en clases. Para ver la relación existente entre la varianza de la predicción y una de las variables explicativas podemos realizar un ajuste con una variable.

Podemos ver que la varianza de la predicción es mayor a medida que las variables explicativas están más lejos de su media.

73



2.10.

Estimación Máximo Verosímil (EMV)

Hasta el momento hemos adoptado el criterio de estimación consistente con esˆ σ 2 ) de modo de minimizar la suma de los coger los valores de los parámetros (β,ˆ residuos al cuadrado. A continuación, expondremos otra forma de obtener los parámetros de interés, el cual, a diferencia de OLS, descansa en un determinado supuesto respecto de la distribución del término de error, teniendo por objetivo, como veremos más adelante, determinar los parámetros que maximicen la probabilidad de ocurrencia de la muestra observada. La ventaja de MV es que puede producir estimadores consistentes y asintóticamente eficientes cuando MCO falla. Sea Y’=[y1 , y2 , . . ., yn ] un vector n × 1 de valores muestrales para la variable dependiente, los cuales dependen de un vector k × 1 θ’ = [θ1 , θ2 , . . ., θk ]. Sea f (y; θ) la densidad conjunta asociada. A dicha probabilidad conjunta se le llama función de Verosimilitud y se denota por L(·): L(θ; y) = f (y; θ) Note que hemos invertido la notación entre L y la densidad. Ello porque la densidad describe los valores probables de Y dado un vector θ determinado, sin embargo, en nuestro caso el sentido es inverso: estamos interesados en el vector θ dado un vector Y determinado. Al maximizar L(θ; Y ) respecto de θ se obtienen los estimadores máximo verosímiles (θˆM V ), los cuales maximizan la probabilidad de ocurrencia de la muestra observada, es decir: θˆM V = máx L(θ; Y )

(2.73)

θˆM V = máx ln(L(θ; Y )) = máx l(θ; Y )

(2.74)

θ

o equivalentemente12 θ

θ

Luego, si asumimos que las observaciones de Y son independientes, entonces n n X Y li (θ; yi ) l(θ; Y ) = ln( Li (θ; yi )) =

13

:

(2.75)

i=1

i=1 12

En general se utiliza el logaritmo de la función de verosimilitud, denotado como l = ln(L) como función objetivo. Note que dicha transformación es inocua, en términos de que el vector ∂l de parámetros que maximize l será el que a su vez maximize L, ya que: ∂θ = L1 ∂L ∂θ 13 Bajo independencia, la función de distribución conjunta de una muestra corresponde a la multiplicación de las funciones de densidad individuales.

74



La primera derivada de L es generalmente conocida como Score, s = (θ; Y ), por lo cual θˆM V se obtienen al igualar el score a cero.

2.10.1.

Propiedades de los estimadores MV

Las propiedades de los estimadores ML se derivan en grandes muestras, por lo cual hablaremos de las propiedades asintóticas de los mismos. Ellas son: 1. Consistencia: plim(θˆM V ) = θ

(2.76)

es decir, asintóticamente, el parámetro estimado corresponde al parámetro poblacional. 2. Eficiencia Asintótica: La varianza del estimador ML alcanza la llamada Cota Inferior de Cramer Rao, es decir I(θ)−1 . Esta propiedad asintótica es la principal virtud de los estimadores ML. La cota inferior de Cramer Rao corresponde al inverso de la matriz de información (que definiremos a continuación), la cual corresponde a la mínima varianza que puede poseer un estimador insesgado. 3. Normalidad Asintótica: θˆM V ∼a N (θ, I(θ)−1 )

(2.77)

es decir, el estimador ML distribuye asintóticamente normal, con media θ y varianza igual al inverso de la llamada matriz de información (I(θ)). Esta última se define como: · · 2 ¸ ¸ ∂l ∂l 0 ∂ l I(θ) = E = −E ∂θ ∂θ ∂θ∂θ0 donde note que la matriz hessiana de segundas derivadas de L es una matriz cuadrada y simétrica de orden k × k. 4. Invarianza: Si θˆ es el estimador ML de θ y g(θ) es una función continua ˆ es el estimador ML de g(θ). de θ, entonces g(θ)

75



2.10.2.

Estimación MV

Como ya es usual, sea el siguiente modelo poblacional: Y = Xβ + u iid

donde las matrices poseen los tamaños usuales y u ∼ N (0, σ 2 I). Entonces: f (u1 , u2 , . . . , un ; σ 2 I) = f (u1 ) ∗ f (u2 ) ∗ · · · ∗ f (un ) =

n Y

f (ui )

i=1

y asumiendo una distribución normal para los errores, tenemos que la función de verosimilitud corresponde a: 2

f (u1 , u2 , . . . , un ; σ I) =

n Y i=1

=

√

1 2πσ 2

u2 i

exp− 2σ2

0 1 − u u2 n exp 2σ (2πσ 2 ) 2

(2.78) (2.79)

luego, dado nuestro modelo poblacional, tenemos que: L = f (y1 , y2 , . . . , yn ; X, σ 2 , β) =

(Y −Xβ)0 (Y −Xβ) 1 − 2σ 2 exp n (2πσ 2 ) 2

(2.80)

2 0 con lo cual, nuestros estimadores θˆM V = [βˆM V σ ˆM V ] se obtienen siguiendo la regla expuesta en (2.74): ¶ µ (Y −Xβ)0 (Y −Xβ) 1 − 2σ 2 má2x ln(L) = má2x ln n exp β,σ β,σ (2πσ 2 ) 2 µ ¶ n n (Y − Xβ)0 (Y − Xβ) 2 = má2x − ln(2π) − ln(σ ) − (2.81) β,σ 2 2 2σ 2

con lo cual, las CPO:

1 ∂lnL ˆ =0 = 2 X 0 (Y − X β) ∂β σ ˆ =⇒ βˆM V = (X 0 X)−1 X 0 Y

(2.82)

n 1 ∂lnL ˆ 0 (Y − X β) ˆ =0 = − 2 + 4 (Y − X β) ∂σ 2ˆ σ 2ˆ σ (Y − X βˆM V )0 (Y − X βˆM V ) =⇒ σˆ2 M V = n 76

(2.83)



Entonces, bajo normalidad de los errores, el estimador βˆM V es equivalente al estimador MCO. Sin embargo, note que el estimador de la varianza de los errores (ˆ σM V ) da lugar al estimador sesgado. Nos queda entonces derivar la varianza de los estimadores MV. Vimos que la matriz de varianzas correspondía al inverso de la matriz de información (I(θ)). Por facilidad de cálculo, generalmente se utiliza la segunda definición de I(θ), es decir, la de las segundas derivadas de la función de verosimilitud. Entonces: ∂2l X 0X =− 2 ∂β∂β 0 σ ∴ ·

¸ ∂ 2l X 0X −E = ∂β∂β 0 σ2

(2.84)

∂ 2l X 0u =− 4 ∂β∂σ 2 σ ∴ ·

¸ ∂ 2l −E =0 ∂β∂σ 2

(2.85)

∂2l n u0 u = − ∂(σ 2 )2 2σ 4 σ6 ∴ ·

¸ ∂ 2l n −E = 4 2 2 ∂(σ ) 2σ

(2.86)

donde esta última esperanza se deriva del hecho que E(u0 u) = nσ 2 . Entonces, la matriz de información corresponde a: µ X0X ¶ 0 2 I(β, σ) = σ (2.87) n 0 2σ 4 mientras que su inversa: µ −1

I(β, σ)

=

(X 0 X)−1 σ 2 0

0 2σ 4 n

¶ (2.88)

Note que el hecho que la matriz de información (y por lo tanto su inversa) sea una matriz diagonal, refleja que X y u se distribuyen independientemente (de otra 77



forma E(X 0 u) 6=0). Ejemplo: Considere la siguiente función de densidad condicional: λe−λy (λy)x f (y|x) = x!

y ≥ 0,

λ≥0

Obtenga el estimador de máxima verosimilitud de λ. Primero debemos recordar que cada observación i de la variable dependiente y tiene la siguiente densidad condicional a la variable explicativa x: f (yi |xi , λ) =

λe−λyi (λyi )xi xi !

El logaritmo de la función de verosimilitud asociada a cada observación i es: µ −λyi ¶ λe (λyi )xi li (λ|yi , xi ) = ln xi ! = ln λ − λyi + xi (ln λ + ln yi ) − ln(xi !) De esta forma, aplicando sumatoria a la ecuación anterior obtengo la verosimilitud conjunta: L(λ|y, x) = n ln λ − λ

n X

yi + ln λ

i=1

n X i=1

xi +

n X i=1

xi ln yi −

n X

ln(xi !)

i=1

Maximizando la expresión anterior con respecto a λ obtenemos el estimador Máximo Verosímil: Pn n xi ∂L n X = − yi + i=1 = 0 ˆ ˆ ∂λ λ λ i=1

ˆ n−λ

n X i=1

yi +

n X i=1

xi = 0 Pn x n + ˆ = Pn i=1 i λ i=1 yi 1 + x ˆ = λ y

Ahora suponga que disponemos de los siguientes datos de la variable x e y: y 2 5 6 7 x 4 10 18 20 78



En este caso el estimador Máximo Verosímil de λ es: ˆ = 1+x λ y 1 + 13 = = 2,8 5

79



2.11.

Inferencia en el contexto MV

2.11.1.

Test de Razón de Verosimilitud (LR)

ˆ σ El valor de la función de verosimilitud, L(β, ˆ 2 ), corresponde al valor de la verosimilitud irrestricta, es decir, sin imponer ninguna restricción sobre los parámetros del modelo. Suponiendo entonces que nuestro interés se centra en una serie de restricciones lineales del tipo Rβ = r (donde R y r se definen como en la sección 2.8), entonces el modelo original es estimable en su versión restringida, al maximizar la función de verosimilitud sujeta a Rβ = r, cuyo resultado son ˜ σ˜2 ) corresponde al valor de la verosimilitud los estimadores β˜ y σ˜2 . Luego L(β, restringida. El valor de la verosimilitud restringida no puede ser superior al de la no restringida, sin embargo, podría esperarse que si las restricciones impuestas son correctas, el valor de la primera esté cerca del de la segunda. Entonces, definimos la razón de verosimilitud (λ) como: ˜ σ˜2 ) L(β, λ= ˆ σ L(β, ˆ2) El test LR se define entonces como: ˆ σ ˜ σ˜2 )] ∼a χ2 (q) LR = −2 ln λ = 2[ln L(β, ˆ 2 ) − ln L(β,

(2.89)

donde q corresponde al número de restricciones impuestas (es decir, el número de filas de R). Intuitivamente, el valor del estadígrafo crecerá a mayor sea la discrepancia entre los valores de la verosimilitud restringida y la no restringida, lo cual nos aleja de la posibilidad que las restricciones impuestas sea válidas (no rechazo de la nula). En el caso que los errores distribuyan normal, es posible derivar una versión alternativa del estadígrafo utilizando los residuos. Reemplazando βˆM V y σˆ2 M V en l es posible demostrar: µ ˆ σˆ2 ) = (2πe)− n2 (σˆ2 )− n2 = L(β,

2πe n

¶− n2

n

(ˆ u0 uˆ)− 2

(2.90)

Luego, si definimos como uˆN R los residuos del modelo irrestricto y como uˆR , reemplazando en la definición del test, obtenemos: LR = n(ln uˆ0R uˆR − ln uˆ0N R uˆN R ) 80

(2.91)



2.11.2.

Test de Wald (W)

Un segundo test asintótico en el contexto MV corresponde al llamado Test de Wald. Dicho test se basa en evaluar la hipótesis nula en los coeficientes estimados y evaluar cuan cercano es el resultado comprado a lo propuesto por la nula. Una de las ventajas del test de Wald es que sólo necesita de la estimación no restringiˆ un vector (Rβˆ − r) cercano a cero tendería a apoyar da. Así, una vez obtenido β, la hipótesis nula. Siguiendo la misma lógica de la demostración del test F, si: a βˆ ∼ (β, I(β)−1 )

(2.92)

entonces, bajo la hipótesis nula: a

(Rβˆ − r) ∼ (0, RI(β)−1 R0 )

(2.93)

entonces, se puede demostrar que: a (Rβˆ − r)0 [RI(β)−1 R0 ]−1 (Rβˆ − r) ∼ χ2q

(2.94)

donde q es el número de filas de R y por lo tanto, el número de restricciones (según la definimos en la sección 2.8). Luego, como los estimadores MV distribuyen asintóticamente normales, entonces la matriz de información expuesta en la ecuación (2.88) es válida en muestras grandes, tenemos que el estadístico de Wald se define como14 : (Rβˆ − r)0 [R(X 0 X)−1 R0 ]−1 (Rβˆ − r) a 2 W = (2.95) ∼ χq σ ˆ2 Una nota: Dijimos que el test era válido asintóticamente, donde hemos utilizado el resultado de normalidad asintótica de MV. En caso de que los errores efectivamente distribuyan normal en muestra finita, el test (lógicamente) mantiene su distribución.

2.11.3.

Test del Multiplicador de Lagrange (LM)

Un tercer test corresponde al test LM, el cual también es conocido como el test del Score. recordemos que el Score corresponde a la matriz de primeras derivadas 14

Note que hemos utilizado sólo el bloque superior izquierdo de la inversa de la matriz de información. Ello porque el test corresponde a los parámetros asociados a los coeficientes de la regresión. Además, ello es posible porque la matriz es diagonal, lo cual implica que no existe correlación entre los errores y los regresores.

81



de la función de Verosimilitud: ∂ ln L ∂θ ∂l = ∂θ

s(θ) =

ˆ = 0, por lo cual, al evaluar el score en el Como vimos en la introducción, s(θ) ˜ generalmente obtendremos estimador restringido bajo la nula Rβ − r = 0 (β), un vector diferente de cero, sin embargo, si la nula no se puede rechazar, esperaríamos obtener un vector cercano a cero. Se puede demostrar que el score posee media cero y varianza igual a la matriz de información (I(θ)). Por lo tanto, tenemos que la forma cuadrática: a

s0 (θ)I(θ)−1 s(θ) ∼ χ2 con lo cual, al evaluar en el vector de parámetros restringido tenemos que bajo la nula, el test LM se define y distribuye como: ˜ θ) ˜ −1 s(θ) ˜ ∼a χ 2 LM = s0 (θ)I( q

(2.96)

Note que contraposición al test de Wald, sólo necesitamos calcular el estimador restringido. De hecho, su popularidad reside en que muchas veces es más fácil calcular el estimador restringido que el irrestricto. Dada la normalidad asintótica de los estimadores MV, podemos reducir el estadígrafo a una forma mucho más simple. Para ver lo anterior, considere una notación matricial del score: · ∂l ¸ · ¸ 1 0 2X u ∂β σ s(θ) = = u0 u ∂l − 2σn2 + 2σ 4 ∂σ 2 entonces, para evaluar el score en la estimación restringida, utilizamos los residuos restringidos, los cuales denotaremos por: u∗ = Y − X β˜ y por lo tanto: σ ˆ 2∗ = con lo cual:

· ˜ = s(θ)

u0∗ u∗ n

1 X 0 u∗ σ ˆ 2∗

0

82

¸ (2.97)



Entonces, tomado en cuenta la definición de I(θ)−1 dada en (2.87) y evaluándola en el estimador restringido, tenemos que nuestro test en (2.96) queda como: · 2 0 −1 ¸· 1 0 ¸ £ 1 0 ¤ σ ˜ (X X) 0 u X 2 ∗ σ ˜ uX 0 LM = 2˜ σ4 σ ˜2 ∗ 0 0 n u0 X(X 0 X)−1 X 0 u∗ = ∗ σ ˜2 0 u X(X 0 X)−1 X 0 u∗ = n ∗ (2.98) u0∗ u∗ = nR2 ∼a χ2q (2.99) donde el R2 corresponde a la bondad de ajuste de la regresión auxiliar entre u∗ y X. Resumiendo, el test se implementa en tres simples pasos: 1. Estimar el modelo restringido y obtener sus residuos 2. Con ellos correr una regresión de ellos contra X. Obtener el R2 3. Construir el estadístico Ejemplo: Siguiendo con el ejemplo anterior, testee la hipótesis nula de que λ = 5. (i) Test de Razón de Verosimilitud: recordemos que el estadístico de este test es: ˆ − ln L(λ)] ˜ ∼a χ2 (q) LR = 2[ln L(λ) Primero debemos evaluar el logaritmo de la verosimilitud en el parámetro no restringido (estimado): ˆ x) = n ln λ ˆ−λ ˆ L(λ|y,

n X

ˆ yi + ln λ

i=1

n X

xi +

i=1

n X

xi ln yi −

i=1

n X

ln(xi !)

i=1

= 4 · ln(2,8) − 2,8 · 20 + ln(2,8) · 52 + 90,04 − 97,014 = −5,317999436 El siguiente paso es computar el logaritmo de la función de verosimilitud ˜ = 5): restringida, es decir, evaluada en el valor del λ bajo la hipótesis nula (λ ˜ x) = n ln λ ˜−λ ˜ L(λ|y,

n X

˜ yi + ln λ

i=1

n X i=1

xi +

n X i=1

xi ln yi −

n X i=1

= 4 · ln(5) − 5 · 20 + ln(5) · 52 + 90,04 − 97,014 = −16,8481637 83

ln(xi !)



Luego debemos computar el estadístico restando ambas verosimilitudes en logaritmos y multiplicar esta diferencia por 2: ˆ − ln L(λ)] ˜ LR = 2[ln L(λ) = 2[−5,317999436 + −16,8481637] = 23,06032853 Finalmente, debemos comparar el valor de este estadístico con el valor de tabla de una χ2 con 1 grado de libertad (sólo estamos testeando una hipótesis). El valor de la χ2 con un grado de libertad a un 5 % de significancia es de 3.84, por lo tanto se rechaza la hipótesis nula de que λ sea igual a 5. (ii) Test de Wald: para poder realizar este test primero necesitamos computar la matriz de varianzas y covarianzas del estimador, el inverso de la matriz de información. Recordemos la forma de esta matriz: · ¸ · 2 ¸ ∂l ∂l 0 ∂ l I(θ) = E = −E ∂θ ∂θ ∂θ∂θ0 El score (o primera derivada de el logaritmo de la función de verosimilitud era: Pn n xi ∂lnL n X = − yi + i=1 ∂λ λ i=1 λ Ahora, la segunda derivada (o Hessiano) es: Pn ∂lnL2 n i=1 xi = − − ∂λ∂λ0 λ2 P λ2 2 (n + ni=1 xi ) ∂lnL = − ∂λ∂λ0 λ2 Como la variable x es fija el valor esperado del hessiano corresponde a la misma expresión, luego el negativo de esto constituye la matriz de información: P (n + ni=1 xi ) I(λ) = λ2 (4 + 52) I(λ) = λ2 56 I(λ) = λ2 Ahora el estadístico de Wald se construye de la siguiente forma: ˆ − 5)0 I(λ)( ˆ λ ˆ − 5) ∼ χ2 W = (λ 1 84



ˆ por 2.8: Reemplazando λ µ W

c

= (2,8 − 5)

0

56 (2,8)2

¶ (2,8 − 5)

W c = 34,6 Como el valor calculado del estadístico de Wald resulta ser mayor al valor de tabla de una χ2 con un grado de libertad, se rechaza la hipótesis nula de ˆ = 5. que λ (iii) Test de multiplicador de Lagrange: para construir este estadístico necesitamos evaluar el score y la matriz de información en el estimador restringuido e que en este caso es igual a 5: (λ), Pn n n X 4 52 e s(λ) = − = −8,8 yi + i=1 = − 20 + e e 5 5 λ λ i=1 56 e = I(λ) = 2,24 (5)2 Reemplazando en el estadístico: e 0 I(λ) e −1 s(λ) e LM = s(λ) LM = (−8,8)(2,24)−1 (−8,8) = 34,6 ˆ = 5. Con lo cual se rechaza la hipótesis nula de que λ

2.12.

Algunas acotaciones respecto a la estimación y la inferencia MV

1. La sección 2.10.2 asume que la distribución de los errores sigue una distribución normal. Sin embargo, suponer errores normales es sólo uno de los posibles supuestos respecto a la distribución de los errores. Existe una gran cantidad de posibilidades al respecto, utilizándose otras como la distribución logística y la exponencial, muy regularmente en otros tópicos econométricos. Lo anterior es una ventaja de la estimación MV, dado que sus propiedades asintóticas se mantienen independientemente de la distribución utilizada. 2. Otra ventaja corresponde a la posibilidad de utilizar modelos no lineales. MCO (tal y como lo hemos estudiado) sólo permite estimar modelos lineales en parámetros, mientras que MV permite no linealidades (aunque ello implique la imposibilidad de obtener de obtener formas funcionales cerradas 85



para nuestros estimadores, lo cual implica necesariamente utilizar métodos numéricos para optimizar la función objetivo). 3. Otra ventaja reside en la inferencia. Toda la inferencia vista en MCO poseía distribución exacta bajo el supuesto de normalidad. Los test asintóticos visto en la inferencia MV son válidos bajo cualquier distribución supuesta (aunque asintóticamente). 4. Adicionalmente, los tres test vistos son capaces de lidiar con restricciones no lineales. ¿Por qué? Porque MV es capaz de lidiar con modelos no lineales15 5. Es posible demostrar que W ≥ LR ≥ LM al ser aplicados a un modelo lineal. Los tres son asintóticamente equivalentes, sin embargo, en muestras finitas arrojarán resultados diferentes. 6. ¿Cuándo es recomendable utilizar un test t o un test F por sobre un test asintótico? 7. Todos los paquetes estadísticos reportan el valor de la función de verosimilitud (es decir, la función evaluada en los parámetros estimados). Ello, muchas veces es utilizado como un criterio de selección entre modelos (recuerde que nuestro objetivo es maximizar la función de verosimilitud).

15

Un ejemplo de restricción no lineal corresponde a H0 : ln(β32 ) = −0,1+ln(β2 ). Para estimar el modelo restringido basta con aislar β2 e introducirlo en la función de verosimilitud que será maximizada por métodos numéricos.

86

Capítulo 3 Forma Funcional y Especificación 3.1.

Regresores Estocásticos en el Modelo de Regresión Lineal

En el desarrollo del modelo de regresión lineal realizado en la sección 2.4 asumimos que nuestras variables explicativas eran determinísticas (Supuesto 2). En ese contexto, cada vez que tomábamos una muestra diferente los regresores permanecían fijos y solo la variable dependiente cambiaba, haciendo entonces que la regresión muestral fuera una aproximación a la regresión poblacional. En está sección procederemos a eliminar este supuesto1 y veremos cuales son las consecuencias de asumir regresores estocásticos en las estimaciones del modelo de regresión lineal. Es decir, asumiremos ahora que X es obtenida aleatoriamente a partir de alguna distribución de probabilidad. Si X es estocástico, X debe ser independiente de u si queremos mantener las propiedades estadísticas de los estimadores MCO. Un método adecuado para obtener las propiedades estadísticas de βb consiste en obtener primero los resultados condicionados en X. Esto equivale al caso de los regresores no estocásticos. Después buscamos los resultados incondicionales "promediando"(por ejemplo, por integración total) las distribuciones condicionadas. La clave de este razonamiento es que, si podemos establecer insesgamiento condicionado en un X arbitrario, podemos promediar las X para obtener un resultado incondicionado. Manteniendo los supuestos 3 y 4 dados por E(u|x)=E(u)=0, V ar(u|X) = V ar(u) = 1

Todos los otros supuestos realizados anteriormente se mantienen.

87


Capitulo 3: Forma Funcional y Especificación

σ 2 podemos al igual que antes estudiar si MCO es insesgado. βb = β + (X 0 X)−1 X 0 u b E[β|X] = β + (X 0 X)−1 X 0 E[u|X] = β Ya que por supuesto 3 E[u|X] = 0. Podemos ahora calcular el valor esperado incondicional aplicando esperanza sobre todo el espacio posible de los regresores. b = Ex [E[β|X]] b E[β] b = β + Ex [(X 0 X)−1 X 0 E[u|X]] = β E[β] b = Ex [E[β|X]] b Por lo tanto, βb también es insesgado incondicionalmente.E[β] = β. El insesgamiento de los parámetros MCO es robusto a los supuestos de la matriz X. Con respecto a la varianza de β condicionada en la matriz de variables independientes tenemos b V [β|X] = σ 2 (X 0 X)−1 Sin embargo, la varianza incondicional de βb esta dada por2 b = Ex [V [β|X]] b b V [β] + Vx [E[β|X]] b = Ex [V [β|X]] b V [β] + Vx [β] b = Ex [V [β|X]] b V [β] = E[σ 2 (X 0 X)−1 ] = σ 2 E[(X 0 X)−1 ] Nuestra conclusión inicial se altera un poco, tenemos que sustituir (X 0 X)−1 por su valor esperado para obtener la matriz de covarianzas apropiadas. La varianza incondicionada de βb solo puede ser descrita en términos del comportamiento medio de X. Sin embargo, el teorema de Gauss Markov seguirá aplicando. Ya que si para cada X particular el estimador MCO es el mejor estimador lineal insesgado también lo será para los valores medios de los regresores.

2

Aplicando descomposición de la varianza(Ver).

88



Conclusiones: Si los errores son independientes de las X entonces se cumplirá el Teorema de Gauss Markov. Bajo normalidad del error los test estadísticos tienen la misma distribución que en el caso de las X no estocásticas.

3.2.

Incorporación de No Linealidades

En la sección 2 asumimos que el modelo de regresión debía ser lineal. Sin embargo, muchas de las relaciones económicas no son lineales. Veamos el siguiente ejemplo de la relación entre las ventas de los portales de Internet y el número de visitas al portal.

Claramente la relación es no lineal. No es lo mismo en términos de ventas aumentar desde 40 visitas a 50 que de 10 visitas a 20. Pero, ¿Cómo podemos incorporar no linealidad entre Y y X en nuestro modelo de regresión?. Básicamente lo que haremos es utilizar algunos tipos de transformación de variables. Esto nos permitirá tener un modelo no lineal y a partir de la aplicación de las transformaciones tener un modelo de regresión lineal para el que se cumplen todas las cosas que hemos visto.

89



Transformación Logarítmica Suponga un modelo original no lineal de la siguiente forma Yi = β1 Xiβ2 ui . Si aplicamos logaritmo nos quedará un modelo transformado de la siguiente forma ln(Yi ) = ln(β1 ) + β2 ln(Xi ) + ln(ui ) ∂Y X En donde β2 = ∂X corresponde a la elasticidad X de Y. Este tipo de Y transformaciones es muy útil en modelos de demanda y de producción.

Transformación Semilogarítmica Suponga un modelo original no lineal de la siguiente forma Yi = β1 eβ2 Xi ui . Si aplicamos logaritmo nos quedará un modelo transformado de la siguiente forma ln(Yi ) = ln(β1 ) + β2 Xi + ln(ui ) ∂Y 1 En donde β2 = ∂X corresponde a la semi elasticidad X de Y. Una utiY lización común de la formulación semilogarítmica se da en los casos de ) crecimiento exponencial. Si X es el tiempo t, entonces ∂ln(Y = β2 =Tasa ∂t media de crecimiento de Y.

Transformación Recíproca Suponga un modelo original no lineal de la siguiente forma Yi = β1 + β2 X1i + ui . El cual podemos expresar como un modelo transformado de la siguiente forma Yi = β 1 + β 2 Zi + u i En donde β2 =

∂Y ∂X

corresponde al parámetro usual.

Si no se conoce a priori la forma funcional, existen algunos métodos que podrían identificar la existencia de alguna no linealidad. A continuación veremos uno de ellos.

3.2.1.

Test de No Linealidades Omitidas (Test de Reset)

Una pregunta interesante de plantearse es si nuestro modelo ha omitido no linealidades en ciertos regresores3 . Ramsey (1969) introdujo el siguiente test. Bajo 3

Es importante no confundir la no linealidad en regresores Vs no linealidades en parámetros. Nuestro enfoque se basa en el primer tipo de ellas. El segundo es de mayor complejidad en tanto

90



la nula, el modelo poblacional corresponde a: Y = Xβ + u ˆ Ramsey propuso estimar el siguluego, denotamos, como ya es usual, Yˆ = X β. iente modelo auxiliar a través de MCO. Y = X βˆ1 + Z βˆ2 + uˆ donde: Z =

£

Yˆ 2 Yˆ 3 . . .

Yˆ m

¤

luego la nula: H0 : No Existen no linealidades omitidas H0 : β2 =0 puede ser testeada utilizando un test de Wald sobre β2 . Es posible demostrar que bajo la nula W∼a χ2m−1 . Por lo tanto, la nula se rechaza al α % de significancia si el estadígrafo es mayor que el valor crítico correspondiente. Para implementar el test, m (es decir, el número de potencias de Y a incluir en la regresión auxiliar) debe ser seleccionado previamente. Típicamente, valores pequeños como 2, 3 o 4 parecen funcionar mejor.

que al derivar la función objetivo con respecto a los parámetros de interés, podemos no obtener una forma funcional cerrada para nuestro estimador. Ello nos llevará generalmente a utilizar métodos numéricos para maximizar o minimizar nuestra función objetivo, la cual, incluso puede dejar de ser estrictamente cóncava.

91



3.3.

Variables Dummies o cualitativas

En en análisis de regresión, la variable dependiente esta influida frecuentemente no solo por variables continuas como so el ingreso, producción, precios, costos, estatura, temperatura, etc..., sino también por variables que son esencialmente cualitativas, estos son regresores binarios, es decir, variables que sólo toman el valor 0 o 1. Dichas variables son llamadas variables dummies, variables dicotómicas o variables ficticias. Muchas veces el regresor es binario porque así fue recogido en la encuesta. Sin embargo, en otros casos el regresor binario ha sido construido a partir de otras variables de los datos. Algunos ejemplos de variable dummies son: género, raza, religión, nacionalidad, región geográfica, etc....Con respecto a las dos primeras variables mencionadas por ejemplo, se ha encontrado que manteniendo todos los demás factores constantes, las trabajadoras mujeres ganan menos que sus colegas hombres, y que las personas de color ganan menos que las blancas. Este patrón puede resultar de discriminación sexual o racial, pero cualquiera sea la razón, las variables cualitativas tales como género o raza sí influyen sobre la variable dependiente. Por ejemplo, consideremos la siguiente variable dummy para género (mujer/hombre) del individuo. Entonces la variable dummy consistirá en un vector (n × 1) con elementos 0 o 1 según corresponda. Es decir: ( 1 mujer d1i = (3.1) 0 hombre A modo de ejemplo, pensemos en una ecuación simple de salarios E(Salario(W)/Género), la cual implica el siguiente modelo: Wi = β0 + β1 d1i + ui

(3.2)

entonces, dada la especificación escogida para la dummy, tenemos que: β0 = E(W/hombre) β0 + β1 = E(W/mujer) Alternativamente, podríamos haber definido la dummy de la siguiente forma: ( 0 mujer d2i = (3.3) 1 hombre

92



y el modelo como Wi = β0 + β1 d2i + ui entonces, en esta segunda especificación escogida para la dummy, tenemos que: β0 + β1 = E(W/hombre) β0 = E(W/mujer) Una tercera forma de definir el modelo sería incluyendo ambas dummies: Wi = β1 d1i + β2 d2i + ui con el cual tendríamos que los retornos a ambos géneros serían: β2 = E(W/hombre) β1 = E(W/mujer) Los tres modelos anteriores son equivalentes. Note que en el tercer modelo no incluimos término constante ya que ello haría que la matriz X fuese singular y por lo tanto, no invertible. Dicho error de especificación es llamado en la literatura Trampa de las Dummies y corresponde a un error netamente del investigador, no de los datos. Un modelo de regresión puede contener variables explicativas que son exclusivamente dicotómicas o cualitativas, tales modelos se denominas Modelos de análisis de varianza (ANOVA), estos modelos son utilizados para determinar la significancia estadística de la diferencias de medias entre grupos, por ejemplo, serviría para determinar si existe diferencia significativa entre los ingresos medios de los hombres y mujeres. Ejemplo I: Contamos con datos de ingreso proveniente de la ocupación principal para el año 2000, de acuerdo a zona geográfica de Chile: Norte (de la primera a la cuarta región), Centro (quinta región, sexta región y región metropolitana) y Sur (de la séptima a la duodécima región). Suponga que deseamos averiguar si el salario promedio difiere entre las distintas zonas geográficas, si tomamos el promedio de los salarios de los individuos en cada una de las zonas obtenemos lo siguiente: Zona Geográfica Norte Centro Sur

Salario Promedio $ 270,154 $ 296,857.8 $240,238.9 93



Estos números son claramente diferentes entre sí, pero lo que nos interesa saber es si esta diferencia es estadísticamente significativa, para esto utilizaremos un modelo ANOVA. Consideremos el siguiente modelo de regresión: Yi = β0 + β1 D1i + β2 D2i + ui donde: Yi =Salario del individuo i. D1i =es una variable dummy que toma valor 1 si la persona i vive en el norte y cero sino. D2i = es una variable dummy que toma valor 1 si la persona i vive en el sur y cero sino. Este modelo es como cualquier otro modelo de regresión lineal, la única diferencia que ahora todo nuestras variables explicativas son binarias. De esta forma, el salario promedio de los individuos que viven en el norte es: E(Yi |D1i = 1, D2i = 0) = β0 + β1 de igual forma el salario promedio de los individuos que viven en el sur es: E(Yi |D1i = 0, D2i = 1) = β0 + β2 y por último, el salario promedio de los individuos que viven en el centro es: E(Yi |D1i = 0, D2i = 0) = β0 Así, el salario promedio de los individuos de la zona centro esta dado por el intercepto de la ecuación de regresión, además los coeficientes β1 y β2 ("pendiente"), indican la cantidad en que los salarios promedios del norte y sur difieren de los del centro, respectivamente. Ahora necesitamos ver si estas diferencias son estadísticamente significativas. El modelo estimado es:

94



Como los tres coeficientes estimados resultan ser estadísticamente significativos, la diferencia en los salarios promedios entre regiones es estadísticamente significativa. De esta forma, se puede concluir que los salarios en la zona centro son estadísticamente mayores a los de la zona norte y sur, y que los de la zona norte son estadísticamente superior a los de la zona sur. Es importante tener claro que las variables dicotómicas simplemente señalaran las diferencias, si es que estas existen, pero no sugieren razones por las cuales estas se presentan. Desde ahora llamaremos a la categoría que no se le asigna dummy (en nuestro ejemplo la zona centro) como categoría base, todas las comparaciones se harán respecto a esta categoría. Los coeficientes correspondientes a las variables dicotómicas los llamaremos coeficientes de interacción diferencial. Los modelos ANOVA que acabamos de analizar no son muy frecuentes en economía, sólo se utilizan para testear diferencias de medias. Los modelos econométricos generalmente son más amplios e introducen tanto variables explicativas continuas como dicotómicas. Por ejemplo, es razonable suponer que, además del género, existen otros factores que explican el salario (educación y experiencia (entre otros) siguiendo a Mincer (1974)). Especifiquemos nuevamente el modelo en (3.2) como E(Salario (W)/Educación (E), Género): Wi = β0 + β1 d2i + β2 Ei + ui Dicho modelo presenta un efecto intercepto para el género, es decir, hombres y mujeres poseen diferente intercepto, pero igual pendiente (β2 ) en educación (retorno a la educación):

Hombres

W β2 β 0+β 1

Mujeres

β2

β0 E Salario y Educación, diferencia de intercepto entre hombres y mujeres

95



Ahora, si quisiéramos especificar un modelo en que además las pendientes varíen con el género (retornos a la educación diferenciados), tendríamos el siguiente modelo: Wi = β0 + β1 d2i + β2 Ei + β3 d2i · Ei + ui donde: E(Salario (W)/Educación (E), Hombre)=β0 + β1 +β2 E+β3 E. E(Salario (W)/Educación (E), Mujer)=β0 +β2 E. ∂E(Salario(W )/Educacin(E),Hombre) ∂E ∂E(Salario(W )/Educacin(E),M ujer) ∂E

= β2 + β3 .

= β2 .

En el caso que existan otros regresores continuos (experiencia, por ejemplo), podría ser deseable poseer efectos diferenciados en la pendiente sólo para algunos de ellos.

Hombres

W β2+β3 β 0+β 1

Mujeres

β2

β0 E Salario y Educación, diferencia de intercepto y pendiente entre hombres y mujeres

96



3.3.1.

Posibles usos de las variables Dummies

Como hemos mencionado las variable dummies pueden reflejar características individuales como género, status marital,raza, etc, y de esta forma las habiamos llamado variable cualitativas. Sin embargo, este no es el único motivo para incluir dummies en una regresión. Existen además aquellas dummies llamadas dummies estacionales cuyo objetivo es controlar por factores temporales de los datos. Por ejemplo, estimando la demanda de helados, es posible que exista un "efecto verano"por lo cual la demanda aumente en algunos trimestres o bimestres, de esta forma para controlar dicho efecto, se deben incluir 4 dummies cada una correspondiente a un trimestre del año (o 6 en el caso del bimestre, o 2 en el caso del semestre, etc.). Recuerde que el caso de incluir una constante debe retirar discrecionalmente alguna de ellas, la cual servirá como trimestre de referencia. Las dummies también pueden ser útiles para captar efectos umbrales. Siguiendo con nuestro ejemplo de educación, podríamos tener que en la encuesta, la variable Educación no fue recogida en forma continua, sino discreta (es decir, si la persona posee: Educación Básica (8 años), Educación Media (12 años), Educación Universitaria (17 años), Educación universitaria con postgrado (19 años)). Definiendo una dummy por cada nivel de educación, el coeficiente asociado a cada una de ellas nos mostraría el retorno a cada tipo de educación. Finalmente, las dummies pueden ser de utilidad para cuantificar efectos condicionales. Ya habíamos enunciado éstas cuando vimos E(W/E,género), en que permitimos que la pendiente varíe entre géneros. Dichas dummies son de interés cuando queremos captar algún efecto condicional a alguna característica. Por ejemplo, el retorno a la educación dado que se es mujer, o que se es casado, o que se es blanco, etc. En dicho caso, basta introducir la dummy que identifica el estado condicional multiplicada por la variable de interés. Concluyendo, la forma en que se incluyan las variables binarias en el modelo de regresión depende de la pregunta que el investigador desee responder o del objetivo que tenga para incluirlas. Creatividad y teoría. Desde el punto de vista de la teoría de regresión, di corresponde a un variable aleatoria del mismo proceso de muestro que generó el resto de las variables. Veamos entonces como manejarlas algebraicamente. Sea el modelo simple: Wi = β1 d1i + β2 d2i + ui o en nuestra notación matricial usual: Y = Xβ + u 97



donde β = (β1 β2 ) y X = [D1 D2 ], entonces: βˆ = (X 0 X)−1 X 0 Y · 0 ¸−1 · 0 ¸ D1 D1 D10 D2 D1 Y = D20 D1 D20 D2 D20 Y ¸ ¸−1 · Pn · Pn 2 Pn d y d d d 1i i 1i 2i 1i i=1 i=1 i=1 Pn Pn Pn 2 = i=1 d2i yi i=1 d1i d2i i=1 d2i ¸−1 · Pn ¸ · n1 0 Pni=1 d1i yi = 0 n2 i=1 d2i yi · ¸ y¯1 = y¯2 donde n1 y n2 son el número de observaciones con d1i =1 y d2i =1, respectivamente, y y¯1 y y¯2 corresponden a las medias muestrales entre las respectivas observaciones. Y con respecto a la varianza de los estimadores: V (β) = (X 0 X)−1 σ ˆ2 " 2 # σ ˆ 0 n1 = 2 0 σnˆ 2 donde:

n

1X 2 σ ˆ = uˆ n i=1 i 2

es el estimador basado en la muestra completa.

98



Ejemplo II: A continuación veremos la aplicación de la llamada "Ecuación de Mincer"para estimar el retorno a la educación. Los datos corresponden a un grupo de jóvenes chilenos egresados de la educación media técnica, los que fueron entrevistados en 1997. La primera figura muestra la estimación de la ecuación de Mincer en su versión original (1974): ln(Salario)i = α + β1 Educacioni + ui

Consideremos ahora una versión más completa del modelo en que incluimos la experiencia y una dummy que toma el valor 1 si el individuo es una mujer:

Note que el retorno a la educación sigue siendo positivo, mientras que la dummy para mujer es negativa (¿Qué significa que el parámetro sea negativo?). Veamos a continuación, la misma especificación, sólo que esta vez la dummy se define como 1 si el individuo es hombre:

99



¿Cómo es el parámetro de la dummy para el hombre comparado con el de la mujer? ¿Qué pasa con la estimación del resto de los parámetros?.

100



3.4.

Variable Dependiente Rezagada

Cuando trabajamos con series de tiempo, es posible que sea de nuestro interés incluir rezagos de la variable dependiente como variables explicativas. Ello puede ocurrir cuando creemos que existe cierta persistencia de nuestra variable dependiente. Por ejemplo, para tratar de explicar el comportamiento de la inflación (πt ), tendría sentido introducir como variables explicativas, junto con la tasa de crecimiento del dinero (mt ), rezagos de la propia tasa de inflación: πt = β0 + β1 πt−1 + β2 mt + ut Supongamos el modelo más simple posible: yt = β1 yt−1 + ut

con |β1 | < 1

(3.4)

Adelantándonos a la teoría de series de tiempo, el modelo anterior recibe el nombre de Proceso Autorregresivo de Primer Orden (AR(1)), donde el nombre de autorregresivo se debe a que la variable se explica por rezagos de ella misma y de primer orden porque depende sólo del primer rezago (el orden indica el número máximo de rezagos incluidos). La estimación MCO del modelo anterior es βˆ = (X 0 X)−1 X 0 Y , donde X=[i,Yt−1 ], con la diferencia que esta vez poseemos n-1 datos, a menos que supongamos un valor inicial para Y0 . En este caso dejan de cumplirse uno de los supuestos bajo los cuales vimos las propiedades del estimador MCO y la inferencia asociada, aunque continuemos haciendo los supuestos pertinentes para el término de error, el modelo viola el supuesto de regresores fijos (no estocásticos). Analicemos esto con más detalle, el estimador MCO de β1 en (3.4) es: PT yt yt−1 βˆ1 = Pt=2 T t=2 yt−12 PT t=2 (β1 yt−1 + ut )yt−1 = PT 2 t=2 yt−1 PT ut yt−1 = β1 + Pt=2 T t=2 yt−12 para que este estimador sea insesgado se requiere que: "P # T u y t t−1 E Pt=2 =0 T t=2 yt−12 101

(3.5)



lo cual se cumplirá en la medida que ys y ut sean independientes para todo (t,s). Para examinar este punto con más detalle, substituyamos el modelo en repetidas ocasiones hasta llegar a una forma general: y1 = β1 y0 + u1 y2 = β1 y1 + u2 ⇒ y2 = β1 (β1 y0 + u1 ) + u2 = β12 y0 + (u2 + β1 u1 ) y3 = β1 y2 + u3 ⇒ y3 = β1 (β12 y0 + u2 + β1 u1 ) + u3 = β13 y0 + β12 u1 + β1 u2 + u3 .. . yt = β1t y0 + (ut + β1 ut−1 + β12 ut−2 + · · · + β1t−1 u1 ) Luego, multiplicando yt por ut , ut−1 , ut−2 , etc. y tomando esperanza, tenemos que: E(yt ut ) = σ 2 E(yt ut−1 ) = β1 σ 2 E(yt ut−2 ) = β12 σ 2 Por lo tanto, el valor actual de y se encuentra correlacionado con el error actual y pasado (no con los futuros). De la misma forma, rezagando la expresión final para yt , multiplicando por ut , ut−1 , ut−2 , etc. se puede verificar que el regresor yt−1 no se encuentra correlacionado con el valor actual del error, pero si con sus valores pasados. Ello implica que nuestro supuesto E(ui Xi ) = 0 ya no es válido, por lo cual, la matriz de varianzas y covarianzas involucradas ya no será una matriz de ceros, lo cual se traducirá en que los estimadores MCO ya no serán insesgados, pero si consistentes (Demostrarlo). Note que lo anterior es válido para rezagos de la variable dependiente, pero no para rezagos de variables explicativas, en cuanto estos últimos pueden ser aún interpretados como fijos. El único problema que puede presentar el incluir este tipo de regresores es la alta correlación que existente entre el valor presente del regresor y de su o sus rezagos incluidos en el modelo. Ello da origen a problemas de multicolinealidad.

102



3.4.1.

Ejemplo y advertencias sobre el uso de variable dependiente rezagada como regresor

Tenemos la siguiente información sobre Índice de Precios al Consumidor (IPC) desde 1982 al 20034 . A partir de esta información podemos construir la inflación (cambio porcentual en el índice de precios): πt =

IP Ct − IP Ct−1 IP Ct−1

Veamos que resultados obtenemos al realizar la siguiente regresión: IP Ct = β0 + β1 IP Ct−1 + ut

4

Información obtenida del Banco Central de Chile: www.bcentral.cl

103



Cuando el coeficiente de la variable dependiente rezagada es muy cercano a 1, se dice que la serie tiene raiz unitaria5 . Sin embargo, este no es el caso. Si teoricamente siempre se espera que la inflación sea pequeña pero positiva, deberiamos esperar que el índice de precios siempre fuera creciendo, y por lo tanto esta serie más que tener una raiz unitaria tiene una tendencia.

La persistencia en el índice de precios al consumidor es casi obvia. Lo que nos interesa es determinar si existe persistencia en la inflación, la que deberíamos esperar fuera estable en el tiempo y con valores relativamente bajos y positivos. Vemos que sucede al estimar el siguiente modelo: πt = β0 + β1 πt−1 + ut

El coeficiente β1 es significativo y del orden del 0.8 ¿Que significa esto?. 5

Cuando una serie tiene raiz unitaria, esta no es estacionaria, lo que significa que no fluctúa en torno a su valor promedio. El test t de significancia del parámetro que acompaña a la variable dependiente, no sirve para evaluar la hipótesis de raiz unitaria. Comente error tipo I

104



3.5.

Selección de Modelos

Una pregunta crucial que se enfrenta en econometría aplicada es como escoger entre diversas especificaciones planteadas para responder una misma pregunta. No existe un respuesta única al problema anterior, sin embargo, algunas recomendaciones son: Elegir el modelo más parsimonioso (lo más pequeño posible) Que posea un buen ajuste Que sea consistente con los datos observados Sin embargo, el caso de tener que elegir entre modelos anidados, es posible utilizar los llamados Criterios de Información. Suponga que usted desea escoger entre alguno de los siguientes modelos: Y = β0 + β1 x1 + β2 x2 + β3 x3 + u (1) Y = α0 + α1 x1 + α3 x3 + v Y = φ0 + φ(x1 + x2 ) + ω

(2) (3)

donde se dice que el modelo (1) encompasa al (2) y al (3), ya que los dos segundos son el versiones restringidas del primero. Luego, se dice (2) y (3) son anidados en (1) La pregunta relevante es ¿Cuál de las tres especificaciones anteriores es mejor?. Los criterios de información nos ayudan a responder dicha pregunta. El primer criterio de información es el Criterio de Akaike (ACI) y se define como: ACI = −

2 ln L k + n n

mientras que el Criterio de Schwarz (BIC) se define como: BIC = −

ln(n) 2 ln L +k n n

Luego, el criterio de selección entre modelos anidados corresponde a elegir el modelo con menor criterio de información. Note que para que los criterios sean comprables, deben poseer el mismo tamaño de muestra.

105



3.5.1.

Ejemplo: Retornos a la educación, diferencias entre hombres y mujeres

Recordemos lo aprendido en la sección 3.3 del curso. Veíamos que para estimar el retorno a la educación, es decir, cuanto ingreso adicional me genera un año más de educación, podíamos considerar al menos tres especificaciones: M odelo I : M odelo II : M odelo III :

Wi = β0 + β1 d2i + β2 Ei + β3 Ei · d2i + ui Wi = β0 + β1 d2i + β2 Ei + ui Wi = β0 + β2 Ei + ui

donde Wi era el logaritmo natural del salario del individuo i, d2i era una variable dummy que tomaba el valor 1 si la persona i era hombre y 0 sino, Ei eran los años de educación del individuo i y Ei · d2i era una variable interactiva. Además tenemos que el Modelo II anida al modelo III, y el modelo I anida a los modelos II y III. De esta forma, podemos utilizar los criterios de información de Akaike y Schwarz para determinar con que especificación nos quedamos. Estimación del Modelo I: Wi = β0 + β1 d2i + β2 Ei + β3 Ei · d2i + ui

106



Estimación del Modelo II: Wi = β0 + β1 d2i + β2 Ei + ui

Estimación del Modelo III: Wi = β0 + β2 Ei + ui

107



En resumen: Modelo I II II

Akaike 2.278 2.279 2.338

Schwarz -680692.847 -680676.053 -676154.845

Como debemos elegir el modelo que minimize el criterio de información, de acuerdo a ambos criterios debemos elegir el Modelo I.

108



3.6.

Regresión Particionada

Sea el siguiente modelo de regresión lineal con k regresores: Y = Xβ + u La matrix X de dimensión n × k puede ser particionada en dos submatrices de dimensiones n × k1 y n × k2 que llamaremos respectivamente X1 y X2 . De igual forma el vector de parámetros β debe ser particionado en dos subvectores β1 y β2 asociado a cada una de las submatrices de variables explicativas. De esta forma, el modelo anterior puede ser reescrito como: Y = X1 β1 + X2 β2 + u En términos matriciales estamos haciendo lo siguiente:   β1 h i X1 X2 X = n×k β =  k1 ×1  tal que k = k1 + k2 n×k2 1 β2 n×k k×1 k2 ×1

Recordando que la estimación mínimos cuadrados ordinaria implica despejar el vector de parámetros del sistema de ecuaciones normales X 0 X βˆ = X 0 Y , podemos escribir esto en función de las matrices particionadas: ·µ 0 ¶ ¸ · ¸ · 0 ¸ ¡ ¢ X1 X1 Y βˆ1 · X1 X2 · ˆ = X20 X20 Y β2 · 0 ¸ · 0 ¸ ¸ · X1 X1 X10 X2 βˆ1 X1 Y · ˆ = 0 0 X2 X1 X2 X2 X20 Y β2 Lo que puede ser expresado de la siguiente forma: X10 X1 βˆ1 + X10 X2 βˆ2 = X10 Y X20 X1 βˆ1 + X20 X2 βˆ2 = X20 Y

(i) (ii)

De (ii) podemos despejar βˆ2 : X20 X2 βˆ2 = X20 Y − X20 X1 βˆ1 X20 X2 βˆ2 = X20 (Y − X1 βˆ1 ) βˆ2 = (X20 X2 )−1 X20 (Y − X1 βˆ1 ) (iii)

109



Reemplazando (iii) en (i): X10 Y = X10 X1 βˆ1 + X10 X2 (X20 X2 )−1 X20 (Y − X1 βˆ1 ) | {z } P2

X10 Y X10 Y

= X10 X1 βˆ1 + X10 P2 Y − X10 P2 X1 βˆ1 − X10 P2 Y = X10 X1 βˆ1 − X10 P2 X1 βˆ1 X10 (I − P2 ) Y = X10 (I − P2 ) X1 βˆ1 | {z }

| {z }

M2

M2

Así, obtenemos el estimador MCO de β1 (y β2 en forma análoga) de una regresión particionada: βˆ1 = (X10 M2 X1 )−1 X10 M2 Y βˆ2 = (X20 M1 X2 )−1 X20 M1 Y También se puede demostrar que las matrices de varianzas y covarianzas de ambos estimadores son: Vˆ (βˆ1 ) = σ e2 (X10 M2 X1 )−1 Vˆ (βˆ2 ) = σ e2 (X20 M1 X2 )−1 Donde σ e2 se obtiene utilizando la muestra completa.

3.7. 3.7.1.

Omisión de Variables Relevantes Impacto sobre el Insesgamiento

Considere el siguiente modelo poblacional (expresado en desvíos con respecto a la media): Y = X1 β1 + X2 β2 + u Suponga ahora que el investigador se equivoca y estima el siguiente modelo: Y = X1 β1 + u Estimando el modelo “incorrecto” obtenemos: βˆ1 = (X10 X1 )−1 X10 Y = β1 + (X10 X1 )−1 X10 X2 β2 + (X10 X1 )−1 X10 u 110



por lo cual: E(βˆ1 ) = β1 + (X10 X1 )−1 X10 X2 β2 = β1 + Zβ2 Ello implica que por lo general, la omisión de variables relevantes (que pertenecen al modelo poblacional), causará que los parámetros estimados sea sesgados. Ello no sucederá, sólo en el caso que Z=0 (es decir que X1 y X2 sea ortogonales) o si β2 =0 (aunque dicho caso es contradictorio, dado que implicaría que la variable no pertenece al modelo poblacional). La dirección del sesgo es difícil de obtener, sin embargo, el análisis se simplifica si pensamos en β1 y β2 como escalares. En dicho caso: E(βˆ1 ) = β1 +

Cov(X1 , X2 ) β2 V (X1 )

De lo anterior, se desprende que la dirección del sesgo depende de como covarien las variables incluidas con respecto a las excluidas y del signo del parámetro omitido.

3.7.2.

Impacto sobre la Varianza

Estimando el modelo ”incorrecto”, el estimador de la varianza será: V (βˆ1 /X1 ) = σ 2 (X10 X1 )−1 mientras que si hubiéramos estimado el modelo correcto, se puede demostrar que la varianza del estimador insesgado de β1 (βˆ1∗ ) correspondería a: V (βˆ1∗ /X1 , X2 ) = σ 2 (X10 M2 X1 )−1 donde M2 = I − X2 (X20 X2 )−1 X20 . Luego, comparamos las inversas de ambas matrices: (V (βˆ1 /X1 ))−1 − (V (βˆ1∗ /X1 , X2 ))−1 = σ −2 (X10 X2 (X20 X2 )−1 X20 X1 ) tal que se puede demostrar que dicha matriz es definida positiva. Por lo tanto, el omitir variables relevantes implica que los parámetros estimados serán sesgados y que sus varianzas serán menores. Más aún, también es posible demostrar que el estimador de la varianza de los errores (˜ σ 2 ) es sesgado hacia arriba (la varianza poblacional es menor). 111



3.7.3.

Ejemplo

Suponga que un investigador quiere estimar el retorno a la educación y que el modelo verdadero(obviamente es un caso ilustrativo) está dado por: Wi = β1 Ei + β2 EXPi + ui

(1)

Donde Wi corresponde al logaritmo del salario del individuo i, Ei corresponde a los años de educación del individuo i, EXPi corresponde a los años de experiencia laboral del individuo i6 y ui corresponde a un término de error bien comportado. Sin embargo este investigador utiliza el siguiente modelo para su estimación. Wi = β1 Ei + ui

(1)

Los resultados del modelo verdadero son

Los resultados el modelo estimado son

6

La cual esta definida como EXPi = Edadi − Ei − 6.

112



Podemos ver el parámetro que acompaña a la variable años de educación es menor en el modelo estimado que en el modelo verdadero. Esta dirección del sesgo se puede explicar por el signo del parámetro que acompaña a la variable experiencia en el modelo verdadero y a la relación existente entre educación y experiencia en el mercado laboral.

113



3.8. 3.8.1.

Inclusión de Variable Irrelevantes Impacto sobre Insesgamiento

Considere ahora el siguiente modelo poblacional: Y = X1 β1 + u Suponga ahora que el investigador se equivoca y estima el siguiente modelo: Y = X1 β1 + X2 β2 + u Estimando el modelo “incorrecto” obtenemos: βˆ1 = (X10 M2 X1 )−1 X10 M2 Y = β1 + (X10 M2 X1 )−1 X10 M2 u donde M2 se define igual que el la sección anterior. Entonces: E(βˆ1 ) = β1 y con el mismo razonamiento, se puede demostrar que: ¶ µ uˆ0 uˆ 2 E(˜ σ ) = E T − k1 − k2 2 = σ es decir, la inclusión de variable irrelevantes no causa sesgo en los parámetros estimados, ni en la varianza de los errores estimados. Bajo dichos resultados, pareciera que es mejor poner muchos regresores en nuestro modelo. Sin embargo, nos falta estudiar que sucede con la varianza de los parámetros estimados.

3.8.2.

Impacto sobre Varianza

Recordemos que: βˆ1 = β1 + (X10 M2 X1 )−1 X10 M2 u con lo cual, la varianza estimada: V (βˆ1 /X1 , X2 ) = σ 2 (X10 M2 X1 )−1 114



mientras que la varianza verdadera: ∗ V (βˆ1 /X1 ) = σ 2 (X10 X1 )−1

entonces, como probamos con anterioridad, la varianza verdadera es menor que la varianza estimada. Ello implica que el incluir regresores adicionales, aumenta la varianza de nuestros parámetros estimados, lo cual se traduce en parámetros menos eficientes.

3.8.3.

Ejemplo

Suponga que un investigador quiere estimar el retorno a la educación y que el modelo verdadero(obviamente es un caso ilustrativo) está dado por: Wi = β1 + β2 Ei + ui

(1)

Donde Wi corresponde al logaritmo del salario del individuo i, Ei corresponde a los años de educación del individuo i y ui corresponde a u término de error bien comportado. Sin embargo este investigador utiliza el siguiente modelo para su estimación. Wi = β1 + β2 Ei + β3 Di + ui

(1)

Donde Di corresponde a una variable dicotómica que toma el valor 1 si el individuo fuma y 0 si no fuma. Los resultados del modelo verdadero son

Los resultados el modelo estimado son: 115



Podemos ver no existe una variación importante en los parámetros del modelo estimado y el modelo verdadero. Sin embargo, tal como habíamos demostrado, la varianza de los parámetros aumenta disminuyendo entonces la eficiencia.

116



3.9.

Perturbaciones no Esféricas

Un supuesto importante en el modelo clásico de regresión lineal (Supuesto 4) es que los errores ui son homocedásticos, es decir la varianza es constante para todo valor de Xi : V ar(ui ) = V ar(uj ) para i 6= j

Figura 8: Homocedasticidad

Cuando el supuesto 4 no se cumple los errores son Heterocedasticos:

Figura 9: Heterocedasticidad

Además se suponía que los términos de error no estaban correlacionados entre si (Supuesto 5): Cov(ui uj ) = 0 para i 6= j 117



Es decir, teníamos que E[uu0 ]=σ 2 In , ahora si el término de error no cumple con los supuestos del modelo de regresión lineal tenemos que E[uu0 ]=σ 2 Ω. Donde Ω es una matriz definida positiva.

3.9.1.

Consecuencias de estimación por MCO

Recordemos que el estimador MCO es: βˆ = (X 0 X)−1 X 0 Y = β + (X 0 X)−1 X 0 u ˆ Como el supuesto de que E[u|X] = 0 se mantiene, tenemos que la E[β|X] =β y ˆ por lo tanto, E[β − β]=0. De esta forma, el estimador MCO con perturbaciones no esféricas sigue siendo insesgado y consistente. Pero no será eficiente, dado E[uu0 ]=σ 2 Ω entonces la varianza de βˆ es: ·³ ´³ ´0 ¸ ˆ ˆ ˆ V ar(β) = E β − β β − β £ ¤ = E (X 0 X)−1 X 0 uu0 X(X 0 X)−1 = σ 2 (X 0 X)−1 (X 0 ΩX)(X 0 X)−1 De esta forma, solo si Ω = In la matriz de covarianzas de βˆ será igual a σ 2 (X 0 X)−1 , por lo tanto el estimador MCO en presencia de perturbaciones no esféricas no tendrá varianza mínima, es decir, no será eficiente. Entonces cualquier inferencia basada en σ e2 (X 0 X)−1 llevará a conclusiones erróneas.

3.9.2.

Estimación Eficiente: Mínimos Cuadrados Generalizados

La estimación eficiente de β en el modelo generalizado, donde los errores pueden no ser esféricos, requiere el conocimiento de Ω. Para comenzar supondremos que Ω es una matriz conocida, simétrica y definida positiva. Bajo estas condiciones el Método de Mínimos Cuadrados Generalizados nos permite estimar de manera eficiente los parámetros. Dado que Ω es una matriz simétrica definida positiva, puede ser descompues-

118



ta de la siguiente manera:7 Ω = CΛC 0 donde las columnas de C son los vectores propios de Ω y los valores propios (λj ) de Ω se encuentran en la diagonal sea Λ1/2 , la matriz diagonal p de Λ. Entonces 1/2 con el j-ésimo elemento igual a λj y sea T = CΛ . De esta forma, Ω = T T 0 . Además sea P 0 = CΛ−1/2 y por lo tanto, Ω−1 = P 0 P . 8 Si pre multiplicamos Y = Xβ + u por P obtenemos: P Y = P Xβ + P u o Y ∗ = X ∗ β + u∗

(3.6)

Notemos que (3.6) es un modelo transformado de forma tal que: V ar(u∗ ) = E[u∗ u0∗ ] = σ 2 P ΩP 0 = σ 2 In

(3.7)

Por lo tanto, el modelo transformado cumple con los supuestos del modelo clásico de regresión, y se puede utilizar MCO para estimar el parámetro β: βˆM CG = (X∗0 X∗ )−1 X∗0 Y = (X 0 P 0 P X)−1 X 0 P 0 P Y = (X 0 Ω−1 X)−1 X 0 Ω−1 Y Como el estimador MCG de β es idéntico al estimador MCO aplicado al modelo transformado (3.6) y que cumple con los supuestos, βˆM CG es MELI.

3.9.3.

Test de Hipótesis

Nuevamente como el estimador MCG es igual al estimador MCO sólo que se aplica al modelo transformado, todos los procesos para testear hipótesis y construir intervalos de confianza se mantienen. Por ejemplo si queremos testear q hipótesis lineales H0 : Q0 β = c, se tiene el 7

Esto se conoce como Descomposición Espectral de una matriz. Esto viene de la ortogonalidad de C, lo que implica que I = C 0 C = CC 0 y entonces 0 C = C −1 . 8

119



siguiente estadístico F: ³ ´0 ³ ´ −1 2 0 −1 0ˆ Q0 βˆM CG − c [Q0 σ eM (X X ) Q] Q β − c ∗ M CG ∗ CG ³ 1 · q

Q0 βˆM CG

´0

− c [Q

q 0

−1 (X∗0 X∗ )−1 Q]

³ ´ 0ˆ Q βM CG − c

2 σ eM CG

∼ Fq,n−k ∼ Fq,n−k

2 2 donde σ eM CG es el estimador insesgado de σ en presencia de perturbaciones no esféricas: ³ ´0 ³ ´ −1 ˆ ˆ Y − X βM CG Ω Y − X βM CG uˆ0∗ uˆ∗ 2 σ eM = = CG n−k n−k

3.9.4.

Estimación cuando Ω es desconocida: Mínimos Cuadrados Factibles

Anteriormente asumimos que Ω era conocida, en este caso una simple transformación del modelo de regresión lineal lleva a una matriz de covarianza esférica. En la práctica, Ω es desconocida y es necesario estimar los parámetros al interior de esta matriz. ˆ EsEntonces lo que debemos hacer es sustituir Ω por un estimador de ella Ω. to se denomina estimador Mínimos Cuadrados Factibles (MCF), donde el estimador de β se define de la siguiente forma: ³ ´−1 ˆ −1 X ˆ −1 y βˆM CF = X 0 Ω X 0Ω El problema es que tenemos más incógnitas (n(n+1)/2) en Ω que observaciones, para n>1. En la práctica para lograr la estimación de Ω debemos asumir que es función de un número fijo y reducido de parámetros θ. El problema se reduce a ˆ ˆ = Ω(θ). encontrar θˆ y usarlo para computar Ω

120



3.9.5.

Heterocedasticidad

La Heterocedasticidad surge cuando a pesar de que Cov(ui uj )=0 para i6= j, las varianzas de cada observación son diferentes, es decir, V ar(uj ) = σj2 para j=1,...,n. La matriz de covarianzas en este caso es:     σ12 · · · 0 ω1 · · · 0     E[uu0 ] = σ 2 Ω =  ... . . . ...  = σ 2  ... . . . ...  ···

σn2

0

···

ωn

salario 2000000

3000000

4000000

0

0

1000000

Recta de regesión poblacional (RRP)

x 8

x

x 10

x

x

x

x

14

12

x

x

x

16

18

Escolaridad Figura 2: Distribución de los salarios para distintos niveles de educación.

La heterocedasticidad es un problema bastante recurrente, especialmente al trabajar con datos de corte transversal. Algunas razones por las que ui puede variar son las siguientes: En los modelos de aprendizaje sobre errores, a medida que la gente aprende, sus errores de comportamiento son menores, así en este caso a medida que aumentan las horas de práctica de una cierta actividad, la varianza de los errores se reduce. A medida que aumentan los ingresos, la gente tiene más posibilidades de disponer de parte de ese ingreso de la forma que desee. Así en una regresión de ahorro contra ingreso, es posible que σi2 aumente en la medida que el ingreso aumenta. La Heterocedasticidad también puede surgir por la presencia de factores atípicos, que es muy diferente a las restantes observaciones. 121



Al omitir variables relevantes, a parte del sesgo que se produce en las estimaciones por esto, se produce Heterocedasticidad ya que este variable estará en el término de error y por lo tanto la varianza dependerá de ella. Otra fuente de Heterocedasticidad es la asimetría en la distribución de una o más variables explicativas incluidas en el modelo, por ejemplo: ingreso, riqueza y educación.

122



Como mencionamos anteriormente en presencia de Heterocedasticidad el estimador MCO seguirá siendo insesgado, pero no tendrá varianza mínima. El estimador que si cumple con la propiedad de MELI es el de MCG. Este último estimador requiere conocimiento de la matriz Ω. Sin embargo, White (1980) ha propuesto una aproximación a la matriz de covarianzas del estimador MCO: ˆ V ar(β|X) = (X 0 X)−1 (X 0 σ 2 ΩX)(X 0 X)−1 que no requiere una representación especifica de la forma funcional que adopta la heterocedasticidad, por lo que no tendremos riesgo de asumir una forma funcional incorrecta. La sugerencia de White es que la varianza del estimador βˆM CO se exprese de la siguiente forma: µ ¶ 1 2 0 0 −1 ˆ V ar(β|X) = n(X X) σ X ΩX (X 0 X)−1 n se define: Σ = n−1 σ 2 X 0 ΩX n X −1 = n σi2 xi x0i i=1

la que se estima de la siguiente forma: ˆ = n−1 Σ

n X

uî 2 xi x0i

i=1

White demuestra bajo condiciones generales que: ˆ = n−1 Σ

n X

p

uî 2 xi x0i → Σ

i=1

De esta forma, una estimación consistente de la matriz de covarianzas es: ˆ ˆ 0 X)−1 V ar(β|X) = n(X 0 X)−1 Σ(X

(3.8)

su comparación con σ 2 (X 0 X)−1 puede dar noción del grado de heterocedasticidad. La estimación de White de una matriz consistente con Heterocedasticidad es un resultado muy útil, ya que no se necesita saber la naturaleza de la Heterocedasticidad. Ante la duda de presencia de este problema es mejor ocupar este estimador ya que no produce alteraciones, y nos permite hacer inferencia correcta con o sin la presencia de Heterocedasticidad. 123



Contrastes de Heterocedasticidad: 1. El contraste de White: La hipótesis nula es de Homocedasticidad (al igual que en todos los contrastes que estudiaremos). Esto es, H0 : σi2 = σ 2 ∀ i, bajo la hipótesis nula el estimador de la matriz de covarianzas de βˆ es ˆ Vd ar(β|X) =σ e2 (X 0 X)−1 , pero bajo la hipótesis alternativa es (3.8). Basado en la observación de esto, White propone un test que puede obtenerse al calcular nR2 de una regresión de uˆ2i contra todos los productos posibles entre las variables explicativas. Demuestra que nR2 ∼ χ2J−1 , donde J es el número de regresores de esta ecuación. Consideremos el siguiente modelo: yi = β0 + β1 xi + β2 zi + ui Los pasos para realizar el test de White son: a) Obtener βˆ y los residuos de la estimación del modelo anterior por MCO {ˆ ui }ni=1 b) Correr una regresión de uˆ2i sobre una constante, xi , zi , x2i , zi2 y xi zi . c) Computar nR2 de la regresión anterior d ) Para el nivel de significancia escogido, comparar nR2 con el valor crítico de una distribución chi cuadrado con 5 grados de libertad. Si nR2 excede el valor crítico se rechaza la hipótesis nula de Homocedasticidad. 2. El contraste de Goldfeld y Quandt: este contraste parte del supuesto de que la magnitud de σi2 depende de cierta variable zi , la que generalmente es una variable explicativa pero no es necesario. Supongamos que dicha relación es positiva, es decir, para valores más altos de zi mayor es σi2 . Las observaciones se dividen en dos grupos, bajo la hipótesis nula ambos grupos tienen la misma varianza, pero bajo la alternativa las varianzas difieren significativamente. Entonces el contraste consiste en: a) Ordenar las observaciones por los valores de la variable zi , de menor a mayor. b) Omitir p observaciones en la mitad de la muestra, se sugiere no eliminar más de la tercera parte de las observaciones. c) Estimar dos veces el modelo original, una con las n−p primeras ob2 n−p servaciones muestrales y otra con las 2 últimas observaciones en la muestra. Notar que p debe ser lo suficientemente pequeño de manera sea mayor al número de parámetros. que T −p 2 124



d ) Se calcula es estadístico: uˆ02 uˆ2 ∼ Fm,m uˆ01 uˆ1

con m =

n−p −k 2

Si se sospecha que la varianza del error depende inversamente de zi , entonces las observaciones se deben ordenar de mayor a menor. Si se llega a la conclusión de que el término de error del modelo no presenta heterocedasticidad, podría deberse a que hemos comenzado con una mala especificación del parámetro σi2 , que quizás depende de un variable diferente a la que hemos supuesto. Por esta razón el contraste debería realizarse varias veces con distintas variables de las que tengamos sospechas pueda depender la varianza del término de error. 3. El contraste de Breusch y Pagan: supongamos que la varianza del término de error de cada observación depende de un vector de variables zi de dimensión p, es decir: σi2 = h(zi0 α) = h(α0 + α1 z1i + α2 z2i + ... + αp zpi ) Notemos que si todos los coeficientes α’s excepto el correspondiente a α0 fuesen cero, tendríamos una situación de Homocedasticidad. Por lo tanto, si puedieramos estimar los coeficientes α0 , α1 ,...,αp un contraste para la hipótesis nula de Homocedasticidad es: H0 :

α1 = α2 = ... = αp = 0

Los pasos para realizar este contraste son: a) Se estima por MCO el modelo original y se obtienen los residuos correspondientes. b) Se obtiene la serie de residuos normalizados al cuadrado: Pn 2 uˆ uˆ2i 2 2 û = i=1 i eî = 2 i = 1, ..., n donde σ σ û n c) Se estima una regresión de eˆ2i sobre una constante y las variables z1i , z2i ,...,zpi y se obtiene la suma explicada (SE) de dicha regresión.9 d ) Bajo la hipótesis nula de Homocedasticidad y dado el supuesto de se distribuye χ2p . normalidad del término de error, la razón SE 2 9

Recordemos que la suma explicada de una regresión es igual a la variable dependiente.

125

Pn

yi i=1 (ˆ

− y)2 , cuando yi es



4. El contraste de Glesjer: este contraste es más ambicioso que el anterior, ya que trata de estimar la verdadera estructura de Heterocedasticidad, no limitándose a una estructura lineal. Sin embargo, una limitación del contraste de Glesjer es que sólo resulta útil cuando se cree que dicha estructura puede explicarse solo con una variable. Este contraste se hace en tres etapas: a) Estimar el modelo por MCO y obtener los residuos correspondientes. b) Estimar una regresión del valor absoluto de uî , o su cuadrado uˆ2 , sobre una potencia de la variable zi , es decir: |ˆ ui | = δ0 + δ1 zih + νi © ª para distintos valores del exponente h: h = −1, 1, 21 , − 21 . Escoger el valor de h que proporcione una mejor regresión (coeficiente δ1 significativo y una suma residual pequeña). c) Una vez seleccionado h, se divide el vector de dimensión (k+1) formado ˆ ˆ h por las observaciones (y qi ,xi ) de cada periodo por δ0 +δ1 zi si se estimo la regresión de |ˆ ui | y por δˆ0 + δˆ1 zih si se estimo uˆ2i , y se estima el modelo de nuevo por MCO, pero ahora con las variables transformadas. Ejemplo: Producción y Empleo por comunidades autónomas de España Como ejemplo, estimemos la relación que existe entre empleo y Pib en las comunidades autónomas españolas. Se dispone datos del PIB en miles de millones de pesetas, y de ocupados, en miles de personas para 1989, los que se muestran en la siguiente tabla:

126



Estimador de la desviación estandar del error ~2 σu

~

=

SEC/(n-k)

=

4307097.27/16

=

269193.56

σu =

127

518.84



El estimador del parámetro asociado al empleo resulta ser significativo, por cada 1,000 empleador el PIB aumenta en 3,760 millones de pesetas. Sin embargo, la estimación de la constante es bastante imprecisa, y por ello resulta ser no significativa. Existe la posibilidad de que la varianza del componente del PIB no explicado por el empleo aumente con este, es decir, tengamos un problema de heterocedasticidad, donde σi depende de empleoi , y de esta forma, σi2 depende de empleo2i . Con esta sospecha, es necesario testear Heterocedasticidad. 1. Test Breusch-Pagan: para realizar este test, primero de la estimación MCO del modelo de interés se obtienen los residuos, luego se computan los residuos normalizados (dividir cada residuo al cuadrado por el estimador de la varianza del error). Se estima una regresión entre los residuos generalizados y el empleo al cuadrado.

SE

= 7,64, que resulta Una vez realizada la estimación se construye el estadístico SE 2 2 ser mayor al valor de tabla de una χ1 al 95 % de confianza (3.84), de esta forma se rechaza la hipótesis nula de homocedasticidad. 2. Test Goldfeld y Quandt: es de esperar que la varianza dependa positivamente del nivel de empleo, de esta forma, ordenamos las observaciones de menor a mayor nivel de empleo y omitimos las 6 observaciones que ocupan los lugares centrales. Luego estimamos dos modelos cada uno con 6 observaciones, y se computa el estadístico λ igual a la división de la suma residual: 128



λ = 93.2

Este estadístico λ debe ser comparado con el valor de tabla de una distribución Fm,m al 95 % de confianza, que es igual a 6.39. De esta forma, nuevamente se rechaza la hipótesis nula de Homocedasticidad.

129



3.9.6.

Autocorrelación

Al comienzo de esta sección examinamos el caso general cuando la matriz de varianzas y covarianzas del error dejaba de cumplir los supuestos 4 y 5, en este caso la matriz ya no era σ 2 In , sino que era igual a σ 2 Ω. La forma que tome esta matriz Ω dependerá de cual de los dos supuestos se estaba rompiendo. En la sección 3.8.5, vimos que forma toma la matriz Ω si se rompe el supuesto 4 de Homocedasticidad en el término de error, en este caso la matriz de varianzas y covarianzas del error es no escalar (o no esférica) porque los elementos de la diagonal eran distintos para cada observación i. Por otra parte, la autocorrelación es un problema que surge cuando rompemos el supuesto 5 de no autocorrelación en los errores. Ello implica que: Cov(ui uj ) 6= 0 para i 6= j La autocorrelación en el término de error se da en los datos se serie de tiempo, donde es un problema bastante común. Luego, nuestra matriz de varianzas y covarianzas del error ya no será una matriz diagonal (como en el caso de varianzas esféricas y no esférica pero sólo con heterocedasticidad) ya que el término de error se encuentra correlacionado consigo mismo a través del tiempo. La forma que toma la matriz cuando sólo tenemos autocorrelación pero los errores son homocedásticos:   σ 2 σ1,2 σ1,3 · · · σ1,T  σ2,1 σ 2 σ2,3 · · · σ2,T     σ3,1 σ3,2 σ 2 · · · σ3,T  0 2 E[uu ] = σ Ω =    .. .. .. ..  . .  . . . . .  σT,1 σT,2 σT,3 · · · σ 2 donde σt,q = cov(ut uq ). Nuestro modelo ahora será: yt = Xt β + ut t = 1, 2, ..., T. ut = ρut−1 + εt donde, como vimos en la sección 3.4, el error sigue un proceso AR(1).

130

(3.9)



Matriz de Varianzas y Covarianzas cuando ut es un AR(1): En este caso el término de error tiene la forma señalada en (3.9): ut = ρut−1 + εt 1. V (ut ) = V (ρut−1 + εt )=ρ2 V (ut−1 ) + σε2 , de esta forma V (ut ) =

σε2 1−ρ2

2. Como E(ut ) = 0, Cov(ut ut−1 ) = E(ut · ut−1 ). Calculemos esta última esperanza: ut · ut−1 = ut−1 · (ρut−1 + εt ) = ρu2t−1 + ut−1 εt /E(·) E(ut · ut−1 ) = ρ E(u2t−1 ) + E(ut−1 εt ) | {z } | {z } σ2

E(ut · ut−1 ) = ρσ

0

2

3. Siguiendo la misma lógica anterior, E(ut , ut−2 ) se calcula de la siguiente forma: ut · ut−2 = ut−2 · (ρut−1 + εt ) = ρut−1 ut−2 + ut−2 εt /E(·) E(ut · ut−2 ) = ρ E(ut−1 ut−2 ) + E(ut−2 εt ) | {z } | {z } ρσ 2

E(ut · ut−2 ) = ρ2 σ 2 4. Así se puede derivar la siguiente expresión genérica: E(ut · ut−(T −1) ) = ρT −1 σ 2

131

0



Entonces:     E[uu0 ] = σ 2 Ω =        =   

σ 2 σ1,2 σ1,3 σ2,1 σ 2 σ2,3 σ3,1 σ3,2 σ 2 .. .. .. . . . σT,1 σT,2 σT,3 σ2 ρ · σ2 ρ2 · σ 2 .. .

· · · σ1,T · · · σ2,T · · · σ3,T .. ... . · · · σ2

ρ · σ2 σ2 ρ · σ2 .. .

ρT −1 · σ 2 ρT −2 · σ 2  1 ρ ρ2  ρ 1 ρ  2  ρ 1 = σ2  ρ  .. .. ..  . . . T −1 T −2 T −3 ρ ρ ρ

      

ρ2 · σ 2 ρ · σ2 σ2 .. .

· · · ρT −1 · σ 2 · · · ρT −2 · σ 2 · · · ρT −3 · σ 2 .. .. . .

ρT −3 · σ 2 · · ·  · · · ρT −1 · · · ρT −2   · · · ρT −3   ..  .. . .  ··· 1

      

σ2

Naturaleza y causas de la autocorrelación Existe autocorrelación cuando el término de error de un modelo econométrico está correlacionado consigo mismo a través del tiempo. Por supuesto, no es necesario que ut este correlacionado consigo mismo sólo un periodo atrás, esta correlación puede ser de cualquier orden, es decir, ut puede ser un AR(1), AR(2),...,AR(q), etc. Así, dependiendo de cual sea el orden de la autocorrelación en el término de error, la matriz de varianzas y covarianzas ira tomando distintas formas. La autocorrelación en el término de error puede ser producida por varias causas: Existencia de ciclos y tendencias: Si la autocorrelación es positiva (es decir, en (3.9) el coeficiente ρ es positivo), un valor alto de ut que genera un valor de yt por sobre su media condicional, tendrá una probabilidad elevada de ir seguido por un valor alto de ut+1 , y por ello, de un valor de yt+1 por encima del promedio; lo mismo ocurría para yt debajo del promedio. Sin embargo, si existe autocorrelación negativa, valores de yt por sobre su valor promedio condicional irán seguidos, con alta probabilidad, de valores de yt+1 por debajo de su promedio. Por lo tanto, la autocorrelación positiva esta asociada a la existencia de rachas de valores altos y bajos de yt . 132



Autocorrelación Negativa

Autocorrelación Positiva

Entonces, si debido a la inercia presente en la mayoría de las variables macroeconómicas la variable endógena presenta ciclos, y estos no son bien explicados por la variables exógenas del modelo, el término de error tendrá autocorrelación. Por otra parte, también es cierto que la mayoría de las variables económicas (y especialmente las variables medidas en términos nominales) tienen una tendencia, generalmente creciente. Si el conjunto de variables explicativas del modelo no explican adecuadamente dicho comportamiento, entonces el término de error incorporará dicha tendencia, lo que conduce a existencia de autocorrelación positiva:una primera racha de residuos negativos seguidos por otra racha de residuos positivos.

X Modelo verdadero XX X Modelo X XX X estimado X X X X XX X X X X X X X X

Autocorrelación producida por una tendencia

Variables omitidas: Omisión tanto de variables relevantes, de no linealidades y de relaciones dinámicas (rezagos de la variable dependiente) serán 133



incorporadas al término de error, causando posible autocorrelación (además de las dificulatdes que usted ya comoce de las secciones 3.4 y 3.6). Corolario: Si usted encuentra autocorrelación en sus residuos, entonces revise su modelo, ya que el error está captando información relevante que usted está omitiendo. Todo lo dicho en las secciones 3.8.1 hasta 3.8.4 aplican en este contexto (recuerde que la matriz Ω se planteó en términos generales). De esta forma, MCO sigue siendo insesgado, pero pierde eficiencia, por lo cual ya no es MELI. El estimador de mínima varianza en este contexto es MCG, y en caso de desconocerse la forma de la autocorrelación se debe utilizar MCF. Sin embargo y siguiendo el espíritu de la corrección de White, Newey y West (1987) propusieron una corrección para la matriz de varianzas y covarianzas de MCO. Recordemos que en este contexto se cumple que: V ar(βˆM CO /X) = σ 2 (X 0 X)−1 X 0 ΩX(X 0 X)−1 mientras que el estimador de Newey-West corresponde a: V ar(βˆM CO /X) = n(X 0 X)−1 S(X 0 X)−1

(3.10)

donde el estimador consistente de S es: n

n

1XX Sˆ = w(t − s)ˆ ut uˆs xt x0s n t=1 s=1

(3.11)

|t−s|
donde L corresponde al orden máximo de autocorrelación del término de error (que no siempre es fácil de determinar).

134



Contrastes de Autocorrelación 1. Test de Durbin-Watson (d): Lejos el test más utilizado para detectar autocorrelación de los residuos es el test propuesto en 1951 por Durbin y G.S Watson. El test está diseñado para detectar autocorrelación en los residuos de la forma ut = ρut−1 +εt (AR(1)), donde ε es ruido blanco (media cero y varianza constante). La nula corresponde a no autocorrelación de los residuos (H0 : ρ = 0 H1 : ρ 6= 0)y el test se define como: Pn (ˆ ut − uˆt−1 )2 d = t=2Pn 2 (3.12) ˆt t=1 u Si ρ > 0, los valores de uˆ probablemente serán muy cercanos, por lo cual el numerador será muy pequeño en comparación al residuo mismo. Ello implica que d será pequeño. Si ρ < 0, entonces el numerador probablemente será grande, más grande que el residuos n si mismo. Ello implica que d será grande10 . Se puede demostrar que para muestra grandes d converge a: d ' 2(1 − ρˆ)

(3.13)

con: Pn ˆt uˆt−1 t=2 u P ρˆ = n ˆ2t t=1 u donde ρ puede ser obtenido de la siguiente regresión: uˆt = ρˆ ut−1 + ut

(3.14)

Respecto a los valores críticos del test, la distribución en muestras finitas depende del supuesto de normalidad de los errores y de la matriz X, por lo cual Durbin y Watson derivaron las tablas de valores de críticos para facilitar la aplicación del test. Sin embargo, dichos valores poseen rangos indeterminados, en los cuales no podemos tomar una decisión respecto a la nula. El test distribuye con dos colas y se presenta en la siguiente figura: 10

Por lo tanto, autocorrelación positiva tenderá a arrojar un pequeño d, mientras que autocorrelación negativa tenderá a arrojar un d grande

135



Por ejemplo, el test rechaza la nula de no autocorrelación en favor de la alternativa de correlación positiva si DW < dl y lo rechaza ante la alternativa de correlación negativa de los errores si DW > 4 − dl. El test posee dos zonas grises que se presentan en los intervalos (dl,du) y (4-du, 4-dl), en las cuales no podemos decir nada respecto de la nula. Finalmente, si DW cae dentro del intervalo (du, 4-du) no se rechaza la nula de no autocorrelación. Sin embargo, las tablas de valores críticos son raramente utilizadas. Lo anterior debido a que si no existe autocorrelación, por la ecuación (3.13) sabemos que el valor de d será cercano a dos, mientras que si hay evidencia de autocorrelación positiva d será muy pequeño y si existe evidencia de autocorrelación negativa,d será grande. El test posee dos grandes omisiones. Primero, sólo sirve para detectar autocorrelación de orden 1 en los errores y segundo, no puede ser aplicado si se incluyen regresores de la variable dependiente en el modelo (porque se construye bajo el supuesto de regresores determinísticos). Además, se debe tener presente que el test está construido bajo normalidad de los errores y que existen las zonas grises o indeterminadas de las que hablábamos con anterioridad. 2. Test de h-Durbin (h) Una variación del test DW puede ser aplicada cuando existen variables rezagadas de la variable dependiente en nuestro

136



modelo. Esta variación se conoce como test de h-Durbin. El estadígrafo es: µ ¶r DW n 1− h = ∼a N (0, 1) (3.15) 2 1 − nˆ σα2ˆ donde σ ˆα2ˆ a la varianza del parámetro asociado al primer rezago de la variable dependiente incluido en el modelo. Algunas notas respecto al test. Primero, no importa cuantos rezagos de Y se hallan incluido en el modelo: sólo nos interesa la varianza del primero de ellos. Segundo, el test no es aplicable cuando nˆ σα2ˆ > 1 y tercero, las propiedades del test sólo son conocidas asintóticamente, por lo cual debe ser implementado con cuidado en muestras pequeñas. 3. Test de Breusch y Godfrey Este test es una alternativa para testear autocorrelaciones de ordenes superiores a 1 y se basa en el test LM introducido en la sección 2.12.3. La nula, al igual que en todos los test de autocorrelación es que los residuos no se encuentran correlacionados. Consideremos para distintos valores de k, el siguiente conjunto de estadísticos: Pn ˆt uˆt−k t=1 u rk = P (3.16) n ˆ2t t=1 u note que si k=1, entonces estamos en una caso parecido al estadístico DW. Los pasos para realizar el test son: a) Estimar el modelo por MCO y obtener los residuos uˆ. El modelo puede incluir rezagos de la variable dependiente. b) Estimar una regresión auxiliar de uˆt sobre p rezagos: uˆt−1 , . . . , uˆt−p , incluyendo las variables exógenas (X) del modelo original. Note que deberá excluir p observaciones. c) Calcular el R2 de la regresión auxiliar d ) Construir el estadígrafo nR2 ∼ χ2p La lógica del test se basa en que si no existe autocorrelación, entonces los residuos MCO no deberían ser explicados por sus retardos, por lo cual el R2 de la regresión auxiliar debería ser cercano a cero, lo cual nos llevaría a un bajo valor del estadígrafo y a un no rechazo de la nula. 4. Test de Box-Pierce-Ljung (Q-Stat) Este test se basa en el cuadrado de las primeras p autocorrelaciones de los residuos MCO. El estadígrafo se define como: Q=n

p X j=1

137

rj2

(3.17)



donde:

Pn ˆt uˆt−j t=j+1 u P rj = ˆ2t t=1 u

La distribución del estadígrafo bajo la nula de no autocorrelación es χ2 con grados de libertad igual a p menos el número de rezagos del error incluidos en la especificación autorregresiva del error. De ello se deduce que el test permite detectar autocorrelación de ordenes superiores a 1. Estimación de Modelos con Autocorrelación Como vimos anteriormente la matriz Ω en presencia  1 ρ ρ2 · · ·  ρ 1 ρ ···   ρ2 ρ 1 ··· Ω =   .. .. .. ..  . . . . T −1 T −2 T −3 ρ ρ ρ ··· Se puede demostrar que la matriz P en este caso  p 1 − ρ2 0 0  −ρ 1 0   0 −ρ 1 P =   . .. .. .  . . . 0 0 ···

de autocorrelación es:  ρT −1 ρT −2   ρT −3   ..  .  1

es:  ··· 0 ··· 0   ··· 0   . . ..  . .  −ρ 1

Entonces utilizando esta matriz P podemos transformar el modelo y aplicar Mínimos Cuadrados Generalizados. Al premultiplicar X e Y por la matriz P tendremos que la primera observación se transforma de la siguiente forma: p p p 1 − ρ2 y1 = ( 1 − ρ2 )x01 β + ( 1 − ρ2 )u1 (3.18) Y para el resto de las (T − 1) observaciones la transformación es la siguiente: yt − ρyt−1 = (xt − ρxt−1 )0 β + ut − ρut−1 | {z }

(3.19)

εt

El que la primera observación de la muestra tenga un trato especial, es porque para ella no existe una observación anterior, y por lo tanto, es imposible aplicar la transformación en (3.19).

138



1. Estimación MCF: El Método de Cochrane Orcutt La matriz P que transforma nuestro modelo en un libre de autocorrelación en el error, es tal que cada observación de las variables dependientes, explicativas y término de error, se debe transformar de acuerdo a (3.19). Si es que nuestro modelo es el siguiente: y t = x t β + ut ut = ρut−1 + εt El modelo transformado es de la siguiente forma: yt − ρyt−1 = (xt − ρxt−1 ) β + ut − ρut−1 | {z } | {z } | {z } yt∗

⇒

x∗t

yt∗

=

x∗t β

εt

+ εt

El Método de Cochrane-Orcutt es un procedimiento iterativo para obtener la estimación de β y ρ: a) Estimar por Mínimos Cuadrados Ordinarios la regresión de interés, ignorando la presencia (conocida) de autocorrelación de primer orden en el término de error. b) Utilizar los residuos MCO para estimar el parámetro ρ. Esto puede hacerse mediante una regresión de uˆt contra uˆt−1 , o a partir del estadístico DW de la estimación anterior. c) Utilizar este parámetro ρˆ para transformar las variables, y obtener yt∗ y x∗t . d ) Estimar por MCO un modelo con las variables transformadas, para obtener un nuevo vector de coeficientes β. e) Utilizar esta nueva estimación para computar otro vector de residuos, y utilizar estos residuos para obtener una nuevaestimación de ρ f ) Repetir este procedimiento hasta que los β convergan11 . Este Método puede ser fácilmente generalizado con autocorrelación de orden superior. 2. Estimación por Máxima Verosimilitud 11

Esto sucede cuando la diferencia entre el vector de parámetros β difiere infinitesimalmente del β obtenido en la vuelta anterior.

139



Supongamos que se pretende estimar el modelo de regresión con autocorrelación de primer orden. Además debemos asumir alguna distribución para εt (recuerde que este es un requisito para poder estimar por máxima verosimilitud). Supongamos que εt se distribuye N (0, σε2 ). Así, la función de verosimilitud es: Ã" P #! µ ¶T − Tt=1 ε2t 1 √ L= · exp (3.20) 2σε2 σε 2π Recordemos que P es la matriz que transforma ut en εt , es decir, εt = P ut . La función de verosimilitud en (3.20) se puede expresar en función del término de error ut (AR(1)) como12 : Ã" #! PT µ ¶T p 2 2 2 −(1 − ρ )u − (u − ρu ) 1 t t−1 1 t=2 √ L= · 1 − ρ2 · exp 2σε2 σε 2π dado que en este caso el determinante de P (|P |) es

p 1 − ρ2 .

Finalmente, la función de verosimilitud en función del término de error original autocorrelacionado es: µ L=

σε

1 √

µ· 0 −1 ¸¶ ¶T p −u Ω u 2 · 1 − ρ · exp 2σε2 2π

(3.21)

La ventaja de este método es que puedo estimar simultáneamente β y ρ. 12

Ver Greene, Análisis Econométrico página 69. Si la función de densidad conjunta de la variable εt es: Ã" P #! µ ¶T T − t=2 ε2t 1 √ f (ε) = · exp 2σε2 σε 2π o equivalentemente: µ f (ε) =

1 √

σε 2π

¶T

µ· · exp

−ε0 ε 2σε2

¸¶

la función de densidad de conjunta de P ut = εt es: µ f (u) =

1 √

σε 2π

¶T

µ· · |P | · exp

140

u0 P 0 P u 2σε2

¸¶



El logaritmo de la Verosimilitud Condicional13 en términos de observables es: µ lnL = −

T −1 2

¶

µ ln(2π) −

T −1 2

¶ ln(σε2 )

T 1 X − 2 [(yt − xt β) − ρ(yt−1 − xt−1 β)]2 2σε t=2

Las condiciones de primer orden del problema de Máxima Verosimilitud son: T ∂lnL 1 X ∗ = εˆt xt = 0 (k ∂β σ ˆε2 t=2

ecuaciones)

T ∂lnL 1 X = (ˆ ut − ρûˆt−1 )ˆ ut−1 = 0 (1 ecuacion) ∂ρ σ ˆε2 t=2 PT 2 ˆt ∂lnL (T − 1) 1 t=2 ε · = − + = 0 (1 ecuacion) ∂σε2 2 σ ˆε2 σ ˆε4

(3.22) (3.23) (3.24)

De (3.22) podemos encontrar el estimador MV de β, que como podemos observar coincide con el estimador MCF. De (3.23) se determina el estimador MV de ρ: PT ρˆ =

t=2

uˆt uˆt−1

uˆt−1

que corresponde exactamente a lo sugerido por el método de Cochrane-Orcutt. Ejemplo: Estimación de Función Consumo Suponga estamos interesados en estimar una función Consumo: Ct = β0 + β1 Yt + ut

(3.25)

donde Ct es el consumo e Yt es el Ingreso. Para esto contamos con información del consumo agregado del sector público y privado y del PIB de España para los años 1954-1988. Estas series se muestran en el siguiente gráfico: 13

La estimación condicional toma la primera observación como dada y es eliminada de la estimación, es decir, se estima con (T-1) observaciones

141



20000

16000

12000

8000

4000 0 1955

1960

1980 1965 1970 1975 CONSUMO PIB

1985

Ahora estimemos (3.25) utilizando la información disponible:

142



Dependent Variable: CONSUMO Method: Least Squares Date: 11/09/04 Time: 15:51 Sample: 1954 1988 Included observations: 35 CONSUMO=C(1)+C(2)*PIB Coefficient

Std. Error

t-Statistic

Prob.

76.53412 0.768971

81.89808 0.006842

0.934504 112.3909

0.3568 0.0000

C(1) C(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.997394 0.997315 180.8607 1079450. -230.5536

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

8615.809 3490.620 13.28878 13.37765 0.338818

Si comparamos el valor del DW (0.34) con el valor de tabla (k’=1 y n=35 al 95 % de confianza, di=1.4 y ds=1.52), tenemos que se rechaza la hipótesis nula de no autocorrelación a favor de autocorrelación positiva. Además podemos apreciar gráficamente la forma autorregresiva de los residuos: 16000 12000 8000 400 4000 200 0 0 -200 -400 1955

1960

1965 1970 1975 Residual Actual

1980

1985 Fitted

Veamos que sucede con nuestros parámetros estimados si aplicamos la corrección de Newey-West a nuestra estimación MCO: 143



Dependent Variable: CONSUMO Method: Least Squares Date: 11/09/04 Time: 15:59 Sample: 1954 1988 Included observations: 35 Newey-West HAC Standard Errors & Covariance (lag truncation=3) CONSUMO=C(1)+C(2)*PIB

C(1) C(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

Coefficient

Std. Error

t-Statistic

Prob.

76.53412 0.768971

105.8340 0.008968

0.723152 85.75039

0.4747 0.0000

0.997394 0.997315 180.8607 1079450. -230.5536

Mean dependent var S.D. dependent var Akaike info criterio Schwarz criterion Durbin-Watson sat

144

8615.809 3490.620 13.28878 13.37765 0.338818



Para realizar la estimación MCF de la propensión marginal a consumir (que es equivalente a la estimación Máximo Verosímil) debemos primero estimar la función autorregresiva del error. Para esto determinemos primero el vector de residuos de la estimación MCO de nuestro modelo de interés:

Y luego estimamos el siguiente modelo:

145



ρ^

Una vez estimado ρ podemos transformar el modelo original de acuerdo a la ecuación (3.19), de forma que el error transformado (εt ) cumple con los requisitos para que MCO sea MELI:

146



La estimación del modelo transformado arroja los siguientes resultados:

147



Primero, podemos notar que el DW es 1.81, mayor al límite superior de tabla (1.52) y menor a (4 − ds) = 2,48, por lo tanto no se puede rechazar la nula de no autocorrelación. El parámetro de la propensión marginal a consumir es exactamente el mismo que el obtenido de la estimación MCO del modelo original.

148

Capítulo 4 Problemas con los datos 4.1.

Multicolinealidad

Es prácticamente imposible encontrar dos variables económicas cuyo coeficiente de correlación es una determinada muestra sea numéricamente cero, dicho coeficiente puede tomar valores pequeños pero nunca llegar a ser cero. Granger y Newbold (1974) entre otros autores han ilustrado como el sólo hecho de introducir una tendencia lineal en dos series de tiempo independientes aumenta su correlación notablemente. La Multicolinealidad aparece cuando las variables explicativas en modelo econométrico están correlacionadas entre si, esto tiene efectos negativas cuando se quire estimar los parámetros del modelo por MCO. Existen diversas fuentes de la multicolinealidad: El método de recolección de información empleado, obtención de muestras en un intervalo limitado de valores de los regresores en la población. Restricción en el modelo o en la población objeto de muestreo. Especificación del modelo. Consideremos el siguiente modelo: yi = β1 + β2 x2i + ... + βk xki + ui 149


Capitulo 4: Problemas con los datos

Si existe la inversa de X’X, el estimador MCO de este modelo, viene dado por 2 0 −1 ˆ βˆM CO = (X 0 X)−1 X 0 y y su matriz de covarianzas es Var(β)=σ u (X X) . Supongamos que la xji tiene un alto grado de correlación con las demás variables explicativas de modelo, es decir que la regresión lineal: xji = δ1 + δ2 x2i + ... + δj−1 xj−1,i + δj+1 xj+1,i + ... + δk−1 xki + νi

(4.1)

tiene un coeficiente de determinación alto. En estas condiciones la variable xji puede escribirse aproximadamente como una combinación lineal del resto de las variables explicativas del modelo, lo que se puede apreciar en la ecuación (4.1). Como consecuencia una de las columnas de la matriz X, la correspondiente a xji , puede escribirse como una combinación lienal aproximada de las demás columnas de X, y de esta forma (X’X) será aproximadamente singular. En la medida que el determinante de (X’X) sea distinto de cero, existirá (X’X)−1 , y por lo tanto también existirá es el estimador MCO, y sigue cumpliendo con la propiedad de MELI, pero se tienen las siguientes consecuencias: 1. La solución del sistema de ecuaciones normales está mal definido: mientras la dependencia de xji sea aleatoria como lo muestra la ecuación (4.1) y no exacta, X’X no será exactamente singular y existirá un único estimador MCO, ya que existe una única solución al sistema de ecuaciones normales, pero también habrá un número de vectores β1 , β2 , ..., que al sustituirlos en el sistema de ecuaciones normales, serían aproximadamente una solución al mismo. 2. Pequeñas variaciones muestrales por incorporar o sustraer un número reducido de observaciones muestrales, introducirá ligeros cambios en (X’X) y X’y, pero podrían generar importantes cambios en la solución βˆ del sistema de ecuaciones normales. 3. Al ser la matriz X’X casi singular, es muy pequeña. Como consecuencia la matriz de covarianzas será muy grande, por lo tanto el estimador MCO es poco preciso en este caso.

150



4.1.1.

Multicolinealidad Exacta y Multicolinealidad Aproximada

La presencia de multicolinealidad en un modelo de regresión lineal puede ser de dos formas: Multicolinealidad Exacta: una de las variables explicativas es una combinación lineal determinística de todas las demás (o algunas de ellas). Multicolinealidad Aproximada: ocurre cuando una de las variables es aproximadamente igual a una combinación lineal de las restantes, como en la ecuación (3.1). En la práctica, contrario a lo que se pudiera esperara es más complicado la multicolinealidad aproximada que la exacta.

4.1.2.

Detección de Multicolinealidad

Puesto que la multicolinealidad es un problema de naturaleza muestral, que surge principalmente por el carácter no experimental de la mayoría de la información recopilada en las Ciencias Sociales, no tiene una manera única de ser detectada. Lo que se tiene son algunas reglas prácticas detalladas a continuación: 1. El R2 es alto, pero los parámetros no resultan ser individualmente significativos. Por ejemplo: Considere los siguientes datos: Tabla 6: Periodo 1 2 3 4 5 6 7

Multicolinealidad yi x2i x3i x4i 20 5 10 10 12 2 8 6 28 7 12 16 26 6 4 12 14 4 16 8 24 8 14 14 16 3 6 4

Las variables x3 y x4 tienen las mismas observaciones numéricas solo que en distinto orden, de forma tal que la correlación entre x2 y estas dos variables 151



son: ρ23 = 0,32 y ρ24 = 0,93, altamente diferentes entre sí. Una regresión de yi sobre x2i , x3i y una constante generó las siguientes estimaciones MCO: yt = 10,81 + 2,92x2i − 0,54x3i + uî (2,6)

(0,42)

(4.2)

(0,21)

R2 = 0,92 σ û2 = 2,09

Una regresión de y contra una constante, x2 y x4 , produjo las siguientes estimaciones: yi = 6,67 + 1,33x2i + 0,67x4i + uî (3,27)

(1,61)

(4.3)

(0,81)

R2 = 0,83 σ û2 = 3,16

Ambas regresiones no incluyen las mismas variables explicativas y por lo tanto, no son comparables. Sin embargo, en el segundo modelo donde el grado de correlación entre las variables explicativas es alto, podemos apreciar que a pesar de que el R2 es alto, los parámetros resultan ser insignificativos individualmente (t4 =2.78). 152



2. Pequeños cambios en los datos, produce importantes variaciones en las estimaciones mínimo cuadráticas. 3. Los coeficientes pueden tener signos opuestos a los esperados o una magnitud poco creíble.

4.1.3.

Otros métodos de detección de multicolinealidad

(a) Métodos basados en la correlación entre variables explicativas: una de las consecuencias de la multicolinealidad era varianzas de los estimadores bastante altas. Entonces, ¿Cúal es la relación entre la varianza estimada y el grado de correlación entre las variables explicativas?. Si descomponemos la matriz X de la siguiente forma: X = [xj ; Xj ] donde xj es un vector columna correspondiente a la j-ésima variable explicativa y Xj una matriz de n×(k-1) con las observaciones de las restantes variables. Entonces, X’X puede escribirse como: · 0 ¸ xj xj x0j Xj 0 XX= Xj0 xj Xj0 Xj De esta forma, el elemento (1,1) de (X 0 X)−1 es (Demostrar ):

1

[(x0j xj ) − x0j Xj (Xj0 Xj )−1 (Xj0 xj )]−1 = (x0j Mj xj )−1 donde Mj = In − Xj (Xj0 Xj )−1 Xj0 y donde x0j Mj xj corresponde a la suma de los residuos al cuadrado de una regresión de xj sobre Xj , de esta forma se tiene que: σu2 x0j Mj xj

(4.4)

σu2 STj (1 − Rj2 )

(4.5)

V ar(βˆj ) = Lo que tiene la siguiente expresión: V ar(βˆj ) = 1

Recordar que la inversa de una matriz particionada es: · ¸−1 · −1 ¸ −1 A11 A12 A11 (I + A12 F2 A21 A−1 11 ) −A11 A12 F2 = A21 A22 −F2 A21 A−1 F2 11

donde F2 =(A22 -A21 A−1 11 A12 ).

153



P donde STj es la suma total de la regresión entre xj y Xj (STj = ni=1 (xji − xj )2 ) y R2j es el coeficiente de determinación de esta misma regresión. La varianza de βˆj depende de tres cosas: La varianza del término de error, que es independiente del grado de correlación entre las x’s. La suma total propia de la variable xj , la que depende solo de esta variable. El coeficiente de determinación R2j , el que si depende del grado del grado de correlación entre la variable xj y las restantes, es decir, depende del grado de multicolinealidad. La cota inferior para la varianza de βˆj , cuando R2j =0, es: V ar(βˆj0 ) =

σu2 STj

Por lo que la relación entre las varianzas de la estimación de βj en un caso de correlación entre variables explicativas y el caso de independencia lineal es: V ar(βˆj ) 1 = 0 1 − Rj2 V ar(βˆj )

154



De acuerdo con este análisis, los coeficientes de determinación obtenidos en las regresiones de cada variable explicativa con el resto son un buen indicador de una posible situación de multicolinealidad. (b) Métodos basados en el tamaño de la matriz X’X: cuando tenemos multicolinealidad la matriz X’X es casi singular, de esta manera una medida de tamaño de esta matriz nos permite detectar la presencia de multicolinealidad. El determinante no es una medida buena, ya que tiene problemas de sensibilidad a los cambios de unidades. Pero sabemos que el determinante de una matriz simétrica es igual al producto de sus valores propios, y por lo tanto el examen de estos valores nos da una idea del tamaño de la matriz. De esta forma, Belsley propone la siguiente medida para ver el grado de multicolinealidad: r λmax γ= λmin Esta medida se denomina número de condición de la matriz X, y números de este indicador mayores 25 suelen considerarse problemáticos. Los λ’s corresponden a los valores propios de la matriz B = S(X 0 X)S, donde S es la siguiente matriz diagonal:   √ 10 0 ··· 0  x2 x2  ..   1 √ 0 .  0  0x x   3 3 S=  . . .. ..   0 0   1 0 ··· 0 √0 xk xk

Esta matriz nos permite librarnos del problema de unidad en el tamaño de los valores propios, ya que normaliza cada una de las variables al dividir todas las observaciones por su desviación estándar. El número de condición de la matriz X (γ), implica que mientras mayor es este valor, el valor de λmin es realmente pequeño al compararlo con λmax , indicando el potencial problema de multicolinealidad.

4.1.4.

Remedios contra la Multicolinealidad

Se han propuesto varios métodos para hacer frente a la multicolinealidad. La solución más sencilla es eliminar de la regresión las variables que se sospeche son la causa del problema. Obviamente de este método surgen problemas de especificación, como la omisión de variables relevantes. Es necesario recordar que el 155



estimador MCO sigue siendo el mejor estimador lineal insesgado de los parámetros. El problema es que, cuando hay multicolinealidad, el mejor no resulta ser muy bueno. Las soluciones propuestas en la literatura (estimador de ridge o estimador cresta y estimador de componentes principales) tienen como característica buscar un estimador ligeramente sesgado pero cuya varianza sea mucho menor, es decir, un estimador con menor error cuadrático medio. No existe una metodología que permita eliminar el problema de alta multicolinealidad sin alterar las propiedades y la interpretación de los parámetros. Estas metodologías tienen poco respaldo intuitivo, por lo tanto la interpretación de los parámetros es desconocida.

156



4.2.

Error de Medición

Una dificultad en todo trabajo empírico en Economía es la imposibilidad de disponer de las observaciones muestrales de las variables de interés. Por ejemplo, las variables de contabilidad nacional como el PIB, stock de capital o consumo, son sólo estimaciones de conceptos teóricos que no se observan en la realidad. En otros casos, como la Renta Permanente, inteligencia o habilidad de un trabajador, no disponemos ni siquiera estimaciones, y debemos utilizar variables Proxies, que aproximan los conceptos que se quieren utilizar. Así por ejemplo se utilizan años de experiencia del trabajador para aproximar su habilidad. Podemos adelantar que el error de medición o el uso de variables proxies generará sesgos en las estimaciones por MCO, el que será menor: cuanto más se aproxime la verdadera variable que debería incluirse en el modelo con que que incluyo efectivamente. cuanto más independiente sea el error de medida de las restantes variables del modelo. Consideremos el siguiente modelo lineal simple: yi = βxi + ui

i = 1, ..., n

(4.6)

en el que la variable dependiente yi está medida con error, es decir, solo observamos: yi∗ = yi + νi

i = 1, ..., n

(4.7)

donde asumimos que νi ∼ N (0, σν2 ) y es independiente de xi y ui . Reemplazando (4.7) en (4.6): yi∗ = βxi + (ui + νi ) = βxi + εi

(4.8)

Bajo los supuestos mencionados es fácil darse cuenta que el estimador de β será el mismo que si observáramos el verdadero valor de yi . En consecuencia, los errores de medida en la variable endógena no producen ningún problema importante al estimar por MCO. Ahora supongamos que la variable xi esta medida con error, es decir: x∗i = xi + ωi

i = 1, ..., n 157

(4.9)



donde ωi ∼ N (0, σω2 ) y es independiente de ui , xi y de yi . El modelo en términos de las variables observables es: yi = βx∗i + (ui − βωi ) = βx∗i + εi

(4.10)

contrario a lo que ocurría en (4.8) en este caso tenemos dificultad al estimar por MCO, ya que el término de error εi esta relacionado con x∗i , lo que va en contra del supuesto 6, veamos: Cov(εi , x∗i ) = Cov(ui − βωi , xi + ωi ) = Cov(ui , xi ) − βCov(ωi , xi ) + Cov(ui , ωi ) − βCov(ωi , ωi ) = 0 − β · 0 + 0 − βσω2 Esto hace que el estimador MCO de β en el modelo (4.10) sea sesgado: βˆ = βˆ = plimβˆ = plimβˆ = plimβˆ = plimβˆ = plimβˆ = plimβˆ = donde Sx2 = plim n1

Pn i=1

PN

Á

x∗i yi 1/N · Pi=1 N ∗2 1/N i=1 xi P Á N 1 ∗ i=1 xi yi N plim P N 1 ∗2 x i i=1 N P 1 ∗ plim N N i=1 xi yi P ∗2 plim N1 N i=1 xi P plim N1 N i=1 (xi + ωi )(βxi + ui ) P 2 plim N1 N i=1 (xi + ωi ) P plim N1 N i=1 (xi + ωi )(βxi + ui + βωi P 2 plim N1 N i=1 (xi + ωi ) P plim N1 N i=1 (xi + ωi )(ui − βωi ) β+ P 2 plim N1 N i=1 (xi + ωi ) −βσ 2 β + 2 ω2 Sx + σω

− βωi )

β 1+

2 σω Sx2

x2i , que supondremos existe.

El resultado en términos generales es que el estimador MCO en presencia de error de medición estará sesgado hacia en origen. 158



En el caso del modelo de regresión múltiple: y = Xβ + u X∗ = X + ω donde todas las variables pueden estar medidas con error. Extendiendo lo desarrollado anteriormente: plim βˆM CO = β − [Σxx + Σωω ]−1 Σωω β donde Σxx = plim

X0X n

y Σωω = plim

(4.11)

ω0 ω . n

Lo que implica que un sólo error basta para generar inconsistencias en todos los coeficientes del modelo.

4.2.1.

Estimación por Variables Instrumentales

La estimación consistente de los parámetros en presencia de errores de medida es posible si se disponen de instrumentos. Definición: Un instrumento es una variable no incluida en el modelo, que cumple con: No estar correlacionada con el término de error. Esta correlacionada con la variable explicativa para la cual actúa como instrumento (en este caso la variable medida con error). Volviendo al modelo en (4.10), el sesgo del estimador MCO de β surge por la correlación entre la variable x∗i y εi . Supongamos ahora que se dispone de la variable zi , tal que: E(zi εi ) = 0 E(zi x∗i ) 6= 0 Entonces el estimador de variables instrumentales de (4.10) es: Pn zi yi βˆV I = Pni=1 ∗ i=1 zi xi En un modelo de regresión múltiple, tenemos que encontrar una matriz Z que contenga los instrumentos de las variables medidas con error. El estimador de Variables Instrumentales se obtiene de una regresión MCO en dos etapas: 159



i. En la primera etapa, se hace una regresión entre X ∗ y la matriz de instrumentos Z, para obtener el valor estimado de X ∗ : X ∗ = Zϕ + ² ϕˆ = (Z 0 Z)−1 Z 0 X ∗ ˆ ∗ = Z(Z 0 Z)−1 Z 0 X ∗ X ii. En la segunda etapa se reemplaza el valor estimado de X ∗ en el modelo de regresión original: y = X ∗β + ε ˆ ∗β + ε y=X y obtengo el estimador de β mediante MCO: ˆ ∗0 X ˆ ∗ )−1 X ˆ ∗0 y βˆV I = (X 0 0 = [X ∗ Z(Z 0 Z)−1 Z 0 X ∗ ]−1 X ∗ Z(Z 0 Z)−1 Z 0 y

(4.12)

Si todas las variables explicativas están medidas con error cada una de ellas se necesita un instrumento, entonces Z tiene dimensión n×k al igual que X ∗ , en este caso se puede demostrar (Hacerlo) que: βˆV I = (Z 0 X ∗ )−1 Z 0 y con matriz de varianzas y covarianzas (también demostrar ): 0 V ar(βˆV I ) = σε2 (Z 0 X ∗ )−1 (Z 0 Z)(X ∗ Z)−1

4.2.2.

Test de Hausman

Bajo errores de medida, el estimador MCO es inconsistente, mientras que el estimador de variables instrumentales es consistente. Si en ralidad no hubiese errores de medida, ambos estimadores serán consistentes, y MCO es además eficiente, lo que no ocurre con cualquier estimador de variables instrumentales (es un estimador en dos etapas, lo que hace perder eficiencia). Por lo tanto, para contrastar la existencia de errores de medida Hausman plantea realizar un test estadístico comparando (βˆM CO − βˆV I ) con su matriz de varianzas y covarianzas. 160



La hipótesis nula es que no existe error de medida, es decir: H0 :

βˆM CO − βˆV I = 0

(4.13)

Hausman demuestra que la matriz de varianzas y covarianzas de (βˆM CO − βˆV I ) es igual a V (βˆV I ) − V (βˆM CO ). De esta forma, se puede construir el siguiente estadístico de Wald para la hipótesis nula en (4.13): W = (βˆM CO − βˆV I )0 (V (βˆV I ) − V (βˆM CO ))−1 (βˆM CO − βˆV I ) ∼ χ2k

161

Econometria_I.pdf

Recommend Documents