Apuntes del Curso de Teoria Econométrica (EAE 350) por Juan Eduardo Coeymans Estos apuntes son un material complementario de las clases y no son autocontenidos. Ells pretenden ser un apoyo de las clases, especialmente para acelerar el ritmo de la clase en cuanto la entrega de las demostraciones més formales. El contenido del curso ‘es mucho més amplio, ya que en estas notas se omiten ciertos temas y desarrollos, asi como los ejemplos, grificos y discusiones que se ven en clase. El modelo lineal Los datos son generados por un modelo que tiene una parte estocistica y otra deterministica: Yj=Bi + B2 Xin t Bs Xiz + eeeeonet Bic Xi + w En forma matricial: y 1 Xa Xs Xie B, 4 Xa Xas Xaq oo Xe By % 1 Xx Xs Xap Xe Bs 4s wee te | Bale Peal - Q y LX Kas Kea Xe B, u, Y=XB+u EI método més simple de estimacién de los pardmetros es el de Minimos Cuadrados Ordinarios (MICO). Dicho método es el punto de referencia de los otros disponibles. Primero veremos como se calcula y luego sus propiedades. El Cilculo del Estimador MICO El modelo estimado: Yi = Br + Bo Xia + By Kip tee + BX te @) Y=Xpte @ ‘Ver la forma de las matrices envueltas. ‘Nétese la diferencia entre e y u ‘Apunes de cates, njtos « revsitn, para uso excusvo de los alumnos del curso de Teora Econométrca del Iatituto de Economia de la Pontificia Universidad Catélice de Chile ditado por Juan Eduardo Coeymans,&; =i ~ Gh + Bo Xin + Bs Xis + + By Xu w= Ye G1 + Ba Xia + Bs Xi. o Los u son no observables. Lo que se observa son los ej Los MICO se obtienen al minimizar la suma de residuos: Eet = E(¥) — B- Be Xn - By Xs - Be Xa? o Las condiciones de primer orden generan un conjunto de ecuaciones normales: PEE 23.05) -By amon PaKy)=0 *@) PRE 95.0 B.— Bayne Beha 2) PRE 98.0, B.—B Kym on Baan 3 Ee 25.058. -B, xo A. Xy)Xu=0 64) Este sistema de ecuaciones se puede reescribir como un sistema simétrico: Lv =nb.+ BD Xt by DX t- DMB LX th LXer Di oknt LM s= BL Xat By DX aks +b LXat-.- wt BD XuXs (93) LM =b DX t BLL aXat By DA Na teenie +B DME 9.4) ot BLN @.1) vot Be DXuXe (9.2) ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusive de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile dictado por Juan Eduardo Coeymans.‘Notese que cada ecuaci6n de este sistema se podria haber obtenido multiplicando la ecuacién (3) por su variable independiente respectiva, partiendo con la “variable” de ‘unos, y Iuego sumando a través de las observaciones. En términos matriciales, este sistema se puede escribir como: xXY=xXxB 9.5) Al resolver las inedgnitas de este sistema (el vector )) se obtiene una expresién matricial para los estimadores de minimos cuadrados ordinarios (MICO): Be ocxy x'y ) Dividiendo por n a la primera ecuacién de este sistema, se puede ver que el hiperplano de regresion pasa por el punto que tiene como coordenadas a todas las medias de las variables: Y=B,+B, K+ By Xp tot BX (0.1) APENDICE MATEMATICO SOBRE DERIVACION VECTORIAL Si W es un escalar que depende de un conjunto de variables expresadas en un lvector Z de k-l, entonces derivar W respecto a Z significa: aw aw, Z Zr donde Z =| Z; Z av ‘ Ze [Regla 1: Sea C una matriz de orden 1-k: CH= (EL C2 3b) Entonces se cumple que: Tota: Apuates de clases, sujetos a revision, para uso exclusivo de los alumaos del curso de Teoria Econometrica él Instituto de Economia de la Pontificia Universidad Cat6lica de Chile, dictado por Juan Eduardo Coeymans.SN & CZH(e cp cyeneg) FE GZ =e1Zy HenZ2 thee 5 a acz a, az (4 a, e aCZ _| aCZ x es ce; |=C @ed) hoa | a, [Demostracion: Clay g” veda, ay ay 23 4% |Z? DAZ =(Z, Zz Zy svn. Zy)] 2, 922 423 ey ORD eS oo ek Nos Apunies de clases, sujetos @ revision, para uso exclusivo de Tos alumnos del curso de Teoria Eoonometrca del Instituto de Economia de Ia Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.zaz[$ 2 ay E Zia % x w+ Zp EZ te i x x DAL = 2 YZ ay t Zz EY ay - ist it DAL HZ, (Lit + Zyl, +2.) +L Lia + alts Zn) oA ZL + Zrthy Zy - aZaz a, x Jay + % Zan + Zan + Bay tot Ze 2g EMS 20,43, 20 Pero, dado que ajj= aji: = 23) Za,= 23, Za, A. [De igual forma: BM _ 25° Za,= 2, Ze Por lo tanto, el conjurito de derivadas se puede escribir como: fo Eduardo Coeymans. ots: Apuntes de clasts, sujetos a revision, para uso exclusiva de Tos alummnos del eurso de Teoria Beonométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por JuanE x Ziay ia Ez, 124 Z, i 2B k a1 a} a3 B ¥ Zyay [a2 | 221 922 423 3 Le2az a aay dene , x ne © Zags 7 (ged) ota: Apunies de clases, sjetos a revsiGn, para uso exclusivo de Tos alumnos del curso de Teorla Econometrica del lasttuto de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan Eduardo Coeymans.Derivacién de los MICO por matric La suma de cuadrados de los residuos se puede escribir como: LeP=(e, & es -- e =(¥- xp ee =(¥ - Xpy (¥ - XB) = YY - YXf- Bey + BXXB Las ecuaciones normales (o sistema de derivadas respecto a cada coeficiente ‘igualadas a cero (condiciones de primer orden de la minimizacién)) se puede escribir en forma compacta como: axe? B ae By ae ae |% |g Be |: ae Be Tntroduciendo la definicién dee: CALA AeA ae _ WrY-YXA- BxY+HXXB) _ 4 8B 2B Dado que Y'XB es un escalar, se cumple que: yx B=6xY Por lo tanto: Tota: Apastes de clases, njetos a revisiGn, para uso exclusive de Tos alumnos del eurso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, ditaéo por Juan Eduardo Coeymans.wel ap eav xh + BxXA) _ 9 ap dee _ ac2vxp) , aBxxH _ 4 ap ap ap Aplicando reglas de diferenciacién vectorial (mostrar como se aplican): = = -2 XY + 2X'XB = 0 En consecuencia: B= xy xy En la derivaci6n de los MICO usamos sélo las condiciones de primer orden. Para probar {que e'e es un minimo tenemos que analizar las condiciones de segundo orden, las cuales establecen que el diferencial de segundo orden de e’e (en una expansién de Taylor en ‘tomo a cero y respecto al vector 5) sea positivo. ‘ 2 (_ Renaso dela expansion de Tavior aRems achive De acuerdo a la expansién de Taylor un escalar (W(Z)) que depende de un’ oni ge aD ae Suse Are 142°) anche W@)=W2) +a BO, )cnerae 4+... (Uemminos de mayor orden) 1 donde: 1 Zz Yo 3 dj => z oS Zo=| 28 _ 3 « z Tota: Apuntes de clases, sujetos @ revisi6n, para uso exclusivo de Tos alumnos del curso de Teoria Esonométrica del lasttuto de Economia de la Pontificia Universidad Catbica de Chil, dictado por Juan Eduardo Coeymans.awa, : : az EY = aw = citerecia de primer orden Ly anchor da primus duwodore aw(ze) ae agvockiimben ow(Z9) OZ 5 je oh ows) =gra diente Xa6 be tf a, oy a : Ya akumno. f ala) awizr) 4 ee peak |dZ'H(Z9) dz = d2W = diferencial de segundo orden. 'H(29) es la matriz Hessiana que contiene las segundas derivadas evaluadas en el punto icon coordenadas Z? PHD) IW) FZ) } de, ~~ Wal, IHD) IW) PW) ne =2"@)_| aaa, oe Gat, mar awe) aac) 02,02, . oz, [Aparte de las condiciones de primer orden (gradiente = 0), para un minimo (méximo) requerimos que la funcién sea convexa (céncava). En otras palabras se requiere que el diferencial de segundo orden sea positivo: 2 aw = aan@ a = az we az > 0 [Eiemplo de célculo de la matriz. Hess ISea:_ W(Z)=aZy +b? + eZ) + 429? + eZiZo Nota: Apuntes de clases, sujetos a revisiOn, para uso exclusivo de Tos alumnos del curso de Teoria Ezonométrice del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Cocymans.10 El gradiente: aw(Z9) _ F +2bZ, +eZp a Basico donde los valores de Z son los iniciales. [Derivando el vector gradiente respecto al vector Z: cz) = iB 4] Como ae 2X'Y +2X'XP=0 El diferencial de segundo orden de e’e es: d2e'e=df" ae = df2X"x d8)>0 dado que X°X es positiva definida. Wiitone Je oot Demostracién de X'X es positiva definida: ‘Como X es de rango k, X #0, donde d vector columna no nulo. Si Xd fuera cero, implicaria dependencia lineal entre los X, lo cual est suprimido por uno de los supuestos. Como c # 0=> c'c = dX'Xd > 0 (dado que c’c es una sumatoria de cuadrados), por lo que X°X es positiva definida. rn he Raggenion pore por los mdios por se we Modelo expresado en desvios respecto a las medias Para una comprensién intuitiva de la regresién miiltiple, es conveniente describir el caso de un plano, donde intervienen dos variables explicativas, usando expresiones algebraicas en términos de sumatorias. La obtencién de dichas expresiones a partir de la {férmula matricial general de MICO se simplifica si se hace una transformacién de las variables del modelo tal que el orden de la matriz que habria que invertir se reduce en un grado. Con este propésito veremos el modelo en desvios. Esta forma de presentar el modelo MICO también permite desarrollar formulas del modelo de la recta que son mas recordables. Cada observacién de un modelo estimado por MICO es: +B Xu +e ¥i=B1 +B2Xi2 + BsXis +BaXia +- ota: Apuates de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria ‘Beonométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.u La primera ecuacién normal es: , +B, Xp + By y+... +B, X Restando esta ecuacién a la anterior: YY =P, (Xp — Hy) +By (Xp — Xt A By Ng A 44, Definiendo: wah a= Xa % Podemos escribir: ey eae yim Boxe + Ba xis+ Bret. + Buxiet er Esta ecuacién se puede representar en un grifico cuando contiene sélo una variable explicativa, Es una ecuacién cuyos ees son las variables en desvios. El origen de las ‘nuevas coordenadas esta dado por las medias. Grifico Notese que el residuo y los coeficientes son los mismos. En la ecuacién, sin embargo, no aparece la constante fi. El conjunto de observaciones expresado en matrices sera: y=xB tte m Ra a he tte Mil [ee Ry ae Te a Par ty a ttt ToS ee Da)porse Aa Fa tT Tia: Apuates de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Beonometrica del Instituto de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan Eduardo Coeymans.12 & cxles 6 So Podemos minimizar la suma de los residuos para encontrar los coeficientes de la nueva ‘ecuacién que deben ser idénticos a los de la antigua. La expresi6n de los MICO para el modelo expresado en desvios seri: any “ a sce onlin i aoe ‘Notese que el vector [i es igual al vector fb excepto porque excluye a 1. O sea tiene ‘k-1 elementos. Por otro lado la matriz x es de orden de n(k-1) (n0 contiene la columna de unos) y las variables estin en desvios. Ejemplos del modelo expresado en desvios: Elcaso de la recta en desvios: yim Boxe +64 2 Xn tu (x'x)= (G2, X22 X32 %a2) Ex Xan Xn? RY=(Xi2 X22 Xy2 Kwa) | 73 LXV: ota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econometrica del lasttuto de Economia de Is Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.13 Lego, Bef Eran) aan Elestimador i se obtiene de la primera ecuacién normal; X12 %3 ones te te xe oS salt te oe ee won Ee 5) D8 - Dros “Sum Ee) past - Nobieg ase (exyt= z Des el determinante de (x°x) xh UX} ~Oxinka)? Xn Xs Ker XX Ras Nota: Apuntes de clases, sujetos & revisién, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catéliea de Chil, dictado por Suan Eduardo Coeymans.ITH - Diets a. ow Lai LAL - Lars pool Dae Dey +DEDaw D tra forma de ver el modelo en desvios: Sea: . eal i L412 ZaTiz 1 Z - Zz 4 qd es ( Cu F cd tf i Nota: Apuntes de clases, sujetos @ revision, para uso exclusivo de Jos alumnos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catblica de Chil, dictado por Juan Eduardo Coeymans.Is 1-Un =n... In M0=|-I/n 1-1/n....-I/n -Va -Wn....1-1/n M0i=0 Por lo mismo también se cumple que MOik: donde k es un escalar e ik es un vector de constantes M00 = M0 (simétrica e idempotente) 65). 5) De-2' =a z=2M Mz =2 Mz (Ho2y= wae VE@-DE-NH=0F2 Mo v=ZMy ve ahora la matriz M° premultiplicando el sistema original de observaciones por “ pale move woes <4 lemudbe da lerdawie a 6 ‘MY =MOXf +e ‘Notese que el vector de residuos en desvios es. ‘igual al vector original porque la media de los residuos es cero: Me = &. Particionando la matriz X: X= x’) donde X° es la matriz de n(k-1) que contiene a las variables distintas de la constante y particionando el vector en () Tota: Apunies de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Econometrica del Istituto de Economia de It Pontificia Universidad Catblica de Chile, dictado por Juan ‘Eduardo Coeymans.age 16 Moy =M°xp te=M? (x) () +e =i Mx) (3,)---c Mx") (B+ =M'x'§t +e Donde: MYy=y ‘MOX® es la matriz X en desvios: x =M°X* = (MOX. «2... MOX,) Si aplicamos la minimizacién de la suma de los cuadrados de los residuos al nuevo sistema se obtiene: B= (xy Ixy = (MOX*y(MOX*)yCMO-X*Y MOY = (K*MOX*)-IX* MOY Birse obtiene de la ecuacién de las medias. Propiedades de los Estimadores MICO Significado de estimar una ecuacién con s6lo una muestra. Los estimadores son variables aleatorias que dependen de la muestra. Los datos son generados por la ecuacién poblacional. Ellos constituyen la muestra usada para la estimacién del modelo. Los coeficientes estimados dependen de la muestra y_ ‘son, por lo tanto, variables aleatorias. Ya que los estimadores son variables aleatorias convene saber sus propiedades estadisticas. Dichas propiedades son condicionales a algunos supuestos. ‘Supuestos clasicos: , 1) Los X son fijos = los resultados son condicionales en X. Este supuesto facilita la demostracién de propiedades y tests. Pero esta mayor facilidad no es a gran costo, ya que esos resultados se mantienen cuando hay independencia entre u y X, esto es cuando las densidad de probabilidad condicional de U dado X es igual a la densidad marginal de u, 0 sea, cuando (PX) = Pu). Nota: Apuntes de clases, sujetos a revisiOn, para uso exclusivo de Tos alumaos del curso de Teorla Eeonométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.7 Mas adelante relajaremos el supuesto de X fijos y supondremos due $98 eoeey estocésticos. eb b) Eu=0 cp mappvemgy Be Dos eerores » © como ¥ = XB + los X no son variables alatoras, el supuest mp ick EY =p. a Lo que se cumple para todo el sistema, también se cumple para cada observacién, por lo tanto si definimos: Xo= (1 Kor Xoa Xos Kos... XO Yo = Xof + Et puesto > EYKo~ XaB-=B1+ B2%02* Bs Xap wen FB NOK ‘Si no se cumpliera este supuesto y Eu = ¢, entonces: E(Y/%q) = XoB +e = B1* Bz Xo2+ Bs X03 En este caso se puede redefini I constante como 1 ©) ¥ el valor +B Xoxt © esperado E(Y/Xq) seria: E(Y/Xo)= Bi + o)* Bo X02* Bs X03. + BxXox ©) Matriz varscov de los errores: Buu = a uze uy of & uy Bu) Etum,) Btuu,)| fo? 0 Bey ee) Ce 0 Eww’ =|E(uy,) E(usta) - * Euuy,)|=|0 0 et B@u) Eu) - * E(u; ) pe (0) Ome o a Byusies de cts, majon a tevin, pare uso ass jos alumnos del curso de Teoria N ‘Nota: Apart tata de Economia de la Ponsa Unvented ‘Catblica de Chil Eduardo Coe} jietado por Juan18 ‘= ausencia de heterocedasticidad y autocorrelacién— 9 pager ~eive Woes Yulot LimsaSamuns dapundiaadas ‘O sea los X no son combinaciones lineales exactas. Pero como p(X) = p(X'X) = p(XX') = k, es posible invertir XX 2) u~N(0, 071) Propiedades de los Estimadores 1) Losestimadores son lineales Beorxyixy —s luncios Qnrod dalesy Dado el supuesto de los X's fijos, [(X"X)1X’] es una matriz de constantes de orden k-n yy M2 Mis Me Big gy 22 B23 B24 flag Sea (X'XyIX' = Ay) 32 833 Bag --- 85 Au Ae ae ts Luego: yy Ay2 1s % 21 822 823 A24---2n |] Y2 (XX)AX'Y=AY =| a5) a42 33 Ase «Bay |] Ys By 2 As Oke Bie )LY Wola: Apuates de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Econometrica del Instituto de Economla de la Pontificia Universidad Catéica de Chile, dictado por Juan Eduardo Coeymans.19 Bay Yi Lay Y; (XA XY =AY=| Say, ¥ Zay Yi Luego los estimadores son funciones lineales de los Yj ‘También. son funciones lineales de los u: (XXPIXY = CCXYIXRB Hu) =B+ OCXIXU=B +AU —> Scio Vnuel de bes Lowtes Dado que la forma del vector AY es igual a la del vector Au, la ecuacién anterior se puede escribir como: B,) (Zau ws Ba | | Za 4 (XX) XY'=| By fF] Zax vs By) (Sae us 2 opiedad de jento, ‘Los MICO son insesyados. Para esto se necesitan sélo los supuestos de Eu = 0 y que los X son fijos. B= XPIRY = CCXTIXCRB +0) =B + XYIXY EB = E(B + XX) 1X] Dado que los X's son constantes fijas, el operador de valor esperado afecta s6lo a los errores u. Por lo tanto, la expresiOn anterior se puede escribir como: EB = B+@x)!X'Eu~ B 2820 No mprromgy daheserrerss oO 3) Sie cumplen los supuestos a),b), y 6) (Eu = 0, X fijos, y erores u bien comportados) los MICO son de varianza minima dentro del conjunto de estimadores Totar Apuntes de clases, sjetos a revisién, para uso exclusivo de los alumnos ds1 curso d= Teoria demmomberice del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Edvardo Coeymans.20 Tineales ¢ insesoados, Esta es la versién restringida del teorema de Gauss-Markov. La demostracién se hace mas abajo. 4) Los MICO son variables normales bajo ciertos supuestos. 5) Los MICO son consistentes bajos ceases. acres de suypusster, demidlos atten Para demostrar 3) tenemos antes que derivar la varianza de los MICO. ‘La matriz de varianzas y covarianzas de los MICO En forma similar al caso de la matriz de varianzas y covarianzas de los errores (2D), la ‘varianza de los MICO se puede escribir usando notacién matricial: Mattiz var-cov de B = Var § =Cov B=E (8-28) (B-EBY] Dado que los fi son insesgados: Var § E18 - EB) (B - EB) =E (BB) B-BY1 Holecrgds veces anodedbicen mmudios Dado la propiedad de insesgamiento, las varianza coinciden con los errores cuadriticos medios. Esta matriz tiene en la diagonal a las varianzas y fuera de la diagonal a las covarianzas. ‘Mostremos eso: vena lO Bl) bend teal 6,-.) ‘Nota: Apuntes de clases, sjetos a rovisidn, para uso exclusivo de os alumpos del curso de Teoria Posmomftrca del Instituto de Eeonomia de la Pontificia Universidad Catlica de Chile, dictado por Juan Eduardo Coeymans.a 6-aF — G-B).-m) - - G-pili.-B.) vap2- psa alee Multiplicando por n se obtiene la expresién inicial de D Por lo tanto: wexy Aplicando la formula de varianza covarianza al modelo simple, se obtienen las dos varianzas y la covarianza entre los estimadores de B yB2: LN onda nk 7S SA Var —> ‘Nota: Apuates de clases, suetos a revision, para uso exclusive de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.25 cov Bub, =O Xn _- 0X Se mare El resultado de Var [2 se puede demostrar més ficilmente usando el modelo en 1 et cual multiplicado por xh desvios. En ese modelo (x'x)" tiene un solo elemento = oes Var 2. Con las formulas que hemos derivado se puede ver de qué depende Ia varianza en el caso del modelo simple. ‘La varianza de la pendiente (#52) disminuye cuando: a) baja o? b) —aumenta la dispersién de los X. tO. Cx) ©) sube el tamafio muestra. varianza de la constante fb depende de lo mismo que la de (\2pero adicionalmente tamed loose Grificos En los modelos de més de dos variables explicativas, la varianza de cada estimador depende de: a) la varianza de los errores, b) del tamatio muestral y c) de Jas covarianzas centre las variables explicativas. ‘Veamos esto en el modelo de dos variables explicativas. ¥=B, +B.Xin + BXis Para simplificar conviene operar con el modelo en desvios. ‘Ya vimos que en este caso que: Toots: Apuates de clases, sujetos a revision, para vso exclusivo de los alumnos del curso de Teoria Beonometrica del lasttuto de Ecocomla de ls Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.26 aN ze Por lo tanto: nacrzsion couctionye Orbe o noun, amambiu ss COE oh S33 Oa ra ge mop he covomee 5 8 tbe aorislla oe oe PIO meyer dere Var §, =———_"_ = ____7 ____ (a cov x33)" BP(Cov xpx3F > L rbimodet ra or or ol y ‘Var x3 var x3 = —war 34 exces vere wpicclives 00° Ce) mona) TP woreebubdod ce 2 De la misma manera se pueden derivar la varianza de 83 y la covarianza entre By B3. Var Ilustrar con grificos qué significa covarianza entre las variables explicativas. Es fécil ver que si la covarianza es alta, no se puede tener un ceteris paribus que permita ae efecto de cada variable, lo cual significa que la varianza del imador es alta. Si la covarianza entre las variables explicativas es elevada se dice que hay colinealidad entre estas variables. Sin embargo, también la formula ilustra que si la : varianza de los errores es suficientemente baja, se podré aislar el efecto de cada variable. Por otro lado, si h varianza de los errores es alta, se podra aislar el efecto de cada variable si estas tienen rango de variacién alto. Grifico que ilustra nubes de puntos entre dos variables explicativas, ilustrando en qué caso se tiene un mejor "disefio" experimental. Nota: Apuntes de clases, sujetos a revisi6a, para uso exclusivo de los alumnos del eurso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans,a ‘Teorema de Gauss-Markov 0 propiedad de varianza minima de los MICO Senor beim et BL HECO A Bd never crordiowye Be LOS LIWENLES 4 VO SESGAKOS , muda holex utimoders ‘Ahora que hemos visto cudles son y de qué dependen las varianzas de los estimadores, ‘veremos que ellas son las minimas dentro del conjunto de estimadores lineales insesgados. AMAA cya mco “La demostracén se basa en comparar la varianza de un estimador Tnel ¢ insesgudo RE MO™ cualquiera con de MICO: Vorunwgo ‘Sea fun estimador lineal altemativo insesgado y sea C matriz de constantes arbitrarias | de orden k.n. . Bemgenixeciy Be an pore B= (ex) C] KB 4) B= COXINXB HK) Xu + CXB + Cu B= B+ OCxy!Xu+ CXB+CU zens ECA-ASCA-BY > ‘Como la comparacién se hace entre los estimadores lineales insesgados, la matriz C no puede ser cualquiera. Para que fi sea insesgado se tiene que cumplir que CX = 0 ya que: EB = B +(XXy!X'Eu+ E(CXB) +CEu y puesto que Eu = 0 y E(CXB) = CXB. EB = B+Cxp Luego, si se trata de un estimador lineal alternativo que sea insesgado se requiere que CXB = 0. Dado que esto se debe cumplir para todos los posibles vectores B, se requiere que CX = 0 Luego: B= B+OCxy!Xu+ Cu B- B =(xy!X'u+ Co Definiendo la matriz var B : var B =E((6 - EB) (6 - BBY} EC(B -6) (6 -By> Dado que: B-p =(Xy!xXu +Cu Nota: Apuntes de clases, sujetos @ revision, para uso exclusivo de los alumnos del curso de Teoria ‘Econometrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.28 var B =E((KXy Xu + Cu) (KX) Xu +Cu)] var B =E((K'Xy!X'u_+Cu) (WXOKy! +u'C)] var B = E[(XX)!Xtuu'X(X'X)! + (XY Ku uC! + Cuu'K(X'XY! + Cuu'C})] var B = (X'X)"1X'02 1X(KX)! + (K'X)-!X'02 C+ Co? 1X(KX}! + CoC’ Dado que 6? es un escalar y simplificando la matriz I: var § = 02 (XX) IXK(X'K)! +02 (KX)IX'C +0? C XKXY! +02 CC’ Dado que CX=0 y X'C'=0: var = 02 KX)! +02C C= 0? [KX] +CC] La matriz. CC’ es de kcky tiene la forma: Crea 2 Sin Cn Lousy Leuta- Beh Por lo tanto, Jos elementos de la diagonal de CC’ son cero 0 positives. Esto implica que las varianzas de los (3 ’s son iguales o mayores que las de los f)’s. Por ejemplo: vat By, = var By +0? 3 cf a donde (i, es el estimador MICO de By. ota: Apuntes de clases, sujetos a revision, para uso exclusive de Tos alumnos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catéica de Chile, dictado por Juan Eduardo Coeymans.Cuemde m—b co Bo. aror(#d os ©, re denen Ae poremutbe , 4 oper 4 oomraode ° jistencia de los s MICO Los estimadores MICO son también consistentes. La demostracién formal la veremos em el tema de teorfa asintética. Por ahora basta decir que una condi ién suficiente para. «= ——, que un estimador sea consistente es que el error cuadritico medio tienda a cero cuando: a tiende a infinito: EG, -By)?=(Ey, By)? +E(By ~EB,)? 0, el estimador es consistent Ya vimos que el estimador MICO es insesgado si se cumplen los supuestos pertinentes. Por otro lado E(h, -EB,)? depende de n, Cuando ne, E(B, -E,)? +0. iedad de Normalidad de los MICO La tiltima propiedad es que los MICO son variables normales. Dado que: u~N@, 021; B=B +Au > 6 ~NG,o2°XX) ¢ af de wericls arounelss, 24 maeromol ‘Nota! Apuates de clases, suetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria [Eeonométrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan ‘Eduardo Coeymans.30 Inferencia sobre cl Modelo Poblacional ‘Ahora que hemos visto las propiedades de los MICO tenemos qué oonstait Uy marco anotislce que nos permita hacer inferencias sobre el modelo poblacional a partir de tina estimacion realizada con una muestra cualquiera, Estimador de la varianza de los errores Para esto necesitamos primero encontrar un estimador de 6. Demostraremos que un estimador insesgado de 6? es Se? (n-k) Esto es lo mismo que decir que E. Sefin -1} eb eX -b}=0? 2) 3) Ay c= PX Fu XXX +o) 7 5) e= [XB +u-XB-X cxxptXu) 6) e=(u- XKXY'XuL DQ ¢=f- XXX) Xe Definiendo M = [I X (X'XY1X)] 8) e= Mu 9) ¢e=uMMu donde M es una matriz simétrica idempotente, o sea MM |Demostremos que M’M = M= 10) MM=f1-X OCXy!XT fh KOSKY] aa Ryans Wass, ston & Fovision, pare wo exsusivo de Tos alums del cue oe Tos Nove: Apunts octet de Eeonomla dela Pontificia Univeiad Ctiica de Chile, dicta por Juan Eduardo Coeymans.31 11) MM =f X OOK [TX OOXPIXT 12) MM=1- X (XXYIX'- X (XIX +X (XIN OXY 13) MM=1-X (XX)IX'- X (XIX +X (XXX 14) MM=I-X(XX)1XN'=M (qed) Por lo tanto: 15) e'e=u'MMu=wMu 16) wMu=wl-X(X'X)!X'u i SS Sorhses Tea Demostracién: [ fan a «on (2) 4) Oy Oy rele ZZ) me [ ee ta ceaz—c ee i E@AZ)=E [Zi(ZZaj) + Zo2Ziaia) + Zq(ZZiain) 1 Pero, dado el supuesto sobre Ia matriz. var de Z, los valores esperados de los productos EZAZ) = EZ Za) + ElZZ2a22] + BfZyZq4on] Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Fcamométrica del Institta de Fennomia de Ia Pontificia Universidad Catdlicn de Chile. dictade por inan Eduardo Coeymans.32 met fan tage... st aan) 07 aaa (A) Dadas las caracteristicas de los errores, se puede aplicar el teorema recién demostrado: 17) E(wMu) = 0? traza (M) donde M = {l- X CXyIX'] Dado que la traza de una suma de matrices es la suma de las trazas: 18) | traza (M)=traza (1) - traza (X (XXX) = + taza (K (XT EX) am joa bax | iy) (ar ae) Itenra (RA) = So ha, ha Nota: Apuntes de clases, sujetos a revisiOn, para uso exelusivo de Tos alumnos del curso de Teoria FFeanemétriea del Institnta ee Fonnomia de In Pontificia Universidad Catilien de Chile, dictada por Iuan Edvardo Coeymans,|r (y= ¥ Sad, | [r= r= 5 Fab, (qed) | Aplicando el teorema recién demostrado sobre las trazas: 19) Traza (X (X'XYIN') = TrazalX'X (X'X)1] = Tea (i) donde Ih es wna matriz identidad de orden kk Por lo tanto: Luego: Es importante sefialar que e'e/o?es una variable aleatoria. Necesitamos también ae Repaso de Vectores y Valores Propios Primero debemos repasar algunos conceptos sobre vectores y valores propios 0 caracteristicos. Si Xs un vector tal que: | Nota: Apuntes de clases, sujetos revisidn, para aso exclusive de fos alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan iuardo Coeymans. I34 1) Xt = AX [En forma similar al caso en que X fuera un escalar, un vector solucién es: 2) X= a'z ldonde z es un vector. Por lo tanto, combinando 1 y 2: Is)aiz= Antz \Dividiendo a ambos iados por A’ az AZ lintercalanda la matriz idemtidad IS) Alz= Az ILo que también se puede escribir como: J (A- ADz=0 ist es un sistema homogéneo, pr lo que una soln no vl pare 2 equie que] Gea) sen eingula etn significa que In enluriém pare ge encuentra en la erucién \del determinante |A-Al |Expandiendo el determinante se obtiene la ecouacidn caracteristica, ta cual es de orden st iT: |Ademas, de la ecuacion 4 es facil ver que hay infinitas soluciones condicionales a cada As (20) 2H lea) Hi = = Vector caracteristico normalizado asociado a la raiz A; Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Fennométrica del Institita de Feonomia de la Pontificia Universidad Catéliea de Chile, dietada por Tuan [ Eduardo CocymaceElementos adicionales sobre vectores propios: ‘Si un Aj = 0 = Acessingular (Ja ccuacién corresponderia a un sistema de ‘ecuaciones homogeneas, donde fos elementos de z serian fas incégnitas). G = Nimero de condicién: rl yin « Si y> 20, es grande, seré dificil raiz. rin invertic la matriz. con precisién (concepto itil en colinealidad), Premultiplicando por Z: (2 nity 21'%8] nzz- | © | 2 ney) ee 22 a le) Laity alta + tytn donde Z=(2)......Zy )es la matriz de todos los vectores propios Por lo tanto: azazl Exonomeirca del fnstituto de Economia de fn Pontificia Universidad Catéica de Eduardo Cocymans, Chile, dictado por Juan36 2z=Zz\=1 Por lo que: 10) 22! = ZZ Forma Matricial del problema de vectores propios IEl conjunto de ecuaciones para el conjunto de valores propios se puede escribir] Imatricialmente: IIVAZ=ZA= (zhi 220 Bode ond fee | lo 6c J ~ Diagonalizacién dela matrix A por Z), dadv que 22° ~ i, ubienemes una lrepresentacién alternativa de la matriz A: 13) A= ZAZ” |Otra forma de ver que donde A es la matriz de raices caracteristic (2) (aA) Pa aA Aly 22-0.2q) = [am 23>: m) li) laa) ‘Nola: Apuntes de clases, sujetos a revisiGn, para uso exclusive de los alumacs del curso de Teoria Econométrica del Instituto de Economia de Ia Pontificia Universidad Catélica de Chile, dictado por Juan | hw ZAZ= | ia 37 Az 15) ZAZ = | 72 A% en Ae (Ex (m0 fiszaz~ [° By Ww 6 | | | | | | | | | | | JLo cual es el mismo resultado demostrado anteriormente, |Demostracion: 19) Daj =Trwza (A) = Traza (Z'AZ) = Traza (AZZ") = Teaze(Aly)—Traza (A) IMultiplicando por A: Az = Adz /Dacio que A es idemporente: ‘Nota: Apuntes de clases, sujetos a revisiGn, para uso exchsivo de Tos alumnos del curso de Teoria Econométrica del Instituto de Economia de Ia Pontificia Universidad Catblica de Chile, dictado por Juan [Bawa Coeyuus.38 [Az= Adz=2Az pana |o- 22y2=0 [Paso Zs dint de ero y que fs races de na mari snr son els | Jo-2r-0 enim [ese resultado junto con el de la expansién de Taylor se usa en el anélisis de las [oudivioues deseguudy uideu den provesy de upiinsizavion, ! observar el lado derecho de la ecuacién es ficil ver aue | 1 ‘Vimos elementos generales sobre vectores propios aplicados a una matriz A cualquiera, Teniamos: c= wu donde M = - X (X'Xy!X'] Apliquomos estes concoptes anteriores a ta matriz M Como habiamos visto que Por fo tanto! ‘Nota: Apuntos do clases, sujetos revision, para uso exclusive de Tos alumnos del eurso de Teoria Econométrica del Instituto de Economia de lt Pontificia Universidad Catblica de Chile, ditado por Juan {Eduardo Coeymans39 4, 0, Drafters One) Len Ge J 2) MZ=AZ a%q4) 8 una matriz de orden (n-k)(m-k); Oj es una matriz de ceros de orden ij Sea v un vector de variables aleatorias tal que: 3 v=Zu donde % es la matriz ortonormal de M. 4) Ev=ZEu=0 5) Var v= E{{v- Ev] (v - Evy} =Elw}= E(ZwZ} = Z'0°iZ = 0°22 = 071 Dado que la demostracién es bajo el supuesto que los u~ N {0,071}, y puesto que ves ‘una combinacién lineal de los u's, entonces se cumple que: _ 6)v~N [0,071] Esto significa que las variables aleatorias del vector v son independientes y tienen ta misma varianza de los u's. Dada la definicién de v: Do vatu Premultiplicando por Z: 8) Lv=LLu 9) uaz Por otro lado habiamos demostrado que: 10) Se?=ee=wMu a Por lo tanto, reemplazando u por Zy: 11) wMu=vZMZv=v Av Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Wats Apacs de dacs, niioe a Toatn, para ao cacao fv aramnoe Eel cane Ue Toor ] [Bando Coeymans40 22) wMe= (va) a] (ed) ‘Nota: Apunies de clases, ayjelos @ rovision, para uso exclusive de los alumnos del curso de Teoma Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans,a) 7 aL Queremos proveer un marco general para hacer inferencias sobre los 's, tanto tests de hipdtesis coma intervalos de confianza aplicados aun parimetra a combinacién lineal, asi como hipétesis conjuntas y regiones de confianza, ‘Veremos primero el caso de una hipétesis individual. Para esto necesitamos recordar elementos basicos de estadistica, 1) $i 7,72. % son variahlos leatorins normales & independentes tales que 2%~N(is 6), entonees ¥ = TkZ «donde json constantes no todas cero, se distnbuye normalmente de tal modo que: Y= (Zk ZKFOR Notese que Y es un escalar. 12) 3) [4) SiZi~N@, Dy Z~ xP independiente de 2, entonces la variable ¢ definial 5} Si 2p PY 2y~RAY soi ineepeanticiies, cntonees ta variable P definida) como: ‘Hemos visto que el vector 5 ~ N(B, 6°X"X)"!). Esto significa que: ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Fennométriea del Insituin de Feonomia de la Pontificia Universidad Catia de Chile, dictado nor Iuan Eduardo Coeymans,42 ‘Si conociéramos 6? podriamos construir el estadigrafo ~~N(O,1), y hacer OB, pruebas de hipdtesis ¢ intervatos de confianza para fx usando la disteibucién normal, Pero no podemos hacer inferencia con esta distribucién porque desconacemos o?. Para eso construimos otro estadigrafo que usa el estimador de o? en vez del valor verdadero. lemostramos que lag covarinnzas son carn {el LB - E(p TF = E{{Mu] [8 - {BT} {(Mu} (XX) Nay ) = Ef{Mul] [uX('XY] } = Mo2IX(x'xyt PMX(X'X)! [- XOCX}IX] XOX) 2 IXIXXY! = XOXXYIXXOCRYN =o? AOC) - XOX =O Aplicando alguno de los teoremas anteriores se puede construir tests de hipdtesis intervalos de confianza para pardmetros individuales. En efecto, dado que: Nota: Apuntes de clases, sujetos a rovisiOn, para uso exclusivo de Tos alumnos del curso de Teoria rnmométriea del Instinta de Fennomia de Pontificia Universidad Catdlien de Chile. dictain por Inan | Bawardo Coeymans.43 Esta variable t se puede escribir como: Notese que la diferencia entre op, (la desviacién standard verdadera del estimador 6) ¥ 6, (la desviacién standard estimada del estimador. a Economéirica del Instituto de Economia de Ia Pontificia Universidad Catdliea de Chile, dictado por Juan [ Ses: puis sas sas 2 rin, par oe acsivo & os luna Gl cuo de Teo [Eduardo Coeymans.Sy tara Bes Bat Sy tar? Ver ejemplos: - Test de significancia individual: la hipdtesis anual es que Bk =O ~ Ejemplos de tests de hipotesis¢ intervalos, ~ Iviusirar tistado de computador. }) 0 rechazar 9 aceptar la hipdtesis alternativa (HA). Fn otras palabras, Veamos por que. Un bajo error tipo I aumenta la probabilidad de aceptar la hipétesis mula (HN). posible, lo que significa usar un valor critico de tabla elevado. Pero, hay un ( and 1). Si el costo del error tipo II no.es desprecizble tom! 1+B2Xtu \imero de personas enfermas de cancer que se mejoran con una determinada donde Y droga, y X es la dosis de la droga. La HN: 82 = 0, es decir que el tratamiento no tiene efecto. En este ejemplo, si se usa un error tipo I bajo, y a pesar de ello se rechaza la HN, © sea el estimador de f: es muy significativo, quemé decir que existe una alta probabilidad que el tratamiento sea de verdad efectivo. Si la droga no tiene efectos secundarios negativos y es barata, no hay gran costo de usar ia droga erroneamenie (cuando ne cura). Eu esie caso ei error tipo i es “baraio” y se tender a usar un error tipo I alto (valor critico de tabla bajo), aumentando la probebilided HIN, Dado un costo del error tipe I bajo, el costo del error tipo Il (el error de rechazar erréneamente que la droga es eficaz) pasa a ser ota: Apuntes de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Econométrica de Instituto de Economia de Ia Pontificia Universidad Catélica de Chile, dictado por Juan | Eduardo Cocymans.45 | relativamente més relevante. No seré caro minimizar el error tipo Ila costa de subir el | [= Igor ol baje caste doceta: Pera si In droga es cara v tiene natenciales afactos secundlarins negativas, el costa del | error tipo Tes alto y halbra que estar muy seguro antes de usar ta droga, siendo lo mas razonable, en este caso, la exigencia de un error tipo I bajo. En otras palabras, voy a querer estar muy seguro que la droga es eféctiva antes de usarla dado su alto costo y la | Potencial existencia efectos secundarios. Concepto de Hipstesis conjuntas Existen muchos casos en que se testea més de una hipétesis al mismo tiempo. Ejemplo: Yi= Bi + Bo Xi2+ Bs Xia + Ba Xia + donde: Y = tasa de crecimiento del pais i Xp = tasa de inversién Xs = indice de apertura comercial def pais X4 = indice de estahilidad macroeconémica Supongase que al hacer esta regresién el test de significancia individual para B es cative.al 5% pero toa teste-de Bs y-P4 salen Xies.alta y por ese los tests individuales en el modelo completo salen bajos. :Por qué? seo (cbviamente no se tata de un experimeno contolad) que no En este caso puede ser interesante testear la hipétesis mula conjunta: HIN: B3=Uy Ba=0. HA: B3# Oy Ba=0, 0 B: Y Ba# 0, 0 B3 #0y By 0. El examen de esta hipotesis conjunta no permitira corroborar que Ta apertura comercial afecta o no afecta al crecimiento, ni tampoco permite corroborar si la estabilidad macro Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Econométrica dal Institut de Eennomia de Ia Pontificia Universidad Catdliea de Chile. dictado por Juan Eduardo Coeymans.46 afecta 0 no a este fenémeno. Lo que si se esta corroborando es que al menos una’ de las ‘dos pol se snelen dar conjuntamente, afecta al crecimiento, FI hecho de que ambas politicas se den en forma conjunta dificuita aistar fos efectos separados, 1o cuat se Tefleja en los test t bajos en el modelo completo: Saber que al menos una de las dos politicas (0 ambas) afectan el crecimiento es mejor que no saber nada. Si se rechaza ta HN (que no afectan al crecimiento) sera sano estimular ambas politicas. El test conjunto se puede representar geométricamente en el caso de dos hip6tesis nulas sobre un par de parimetros 0 sobre wn par de combinaciones de parimetros, ‘Visualicemos un espacio cuyos @jés son todos tos estimadores del par de parametros 0 del par de combinaciones de parametros y donde cada punto representa el resultado de una estimacién asociado @ una determinade muestra. Pare una determinada hipdtesis nula, se puede encontrar un Area, con la forma de una elipse, que tiene: (1-a) de probabilidad de que el punto determinado por la estimacién caiga en esa érea si la HN conjunta es verdadera. Esta elipse est semi inscrita en un rectingulo cuyos lados tienen i iargo dei imeervaio de confianza individual correspondiente, pero ef centro de-cada lado es el valor de Ta hipotesis nula individual (en vez del valor estimado como seria en. f caso del intervalo. de confianza). El test conjunto significa examinar si-el-punto dado por la estimacién cae 0 no dentro de esa area. Si cae fuera significa que se rechaza la hipdtesis individual con un oy de probabilidad de error tipo I. En el caso de mis de dos hipétesis nulas conjuntas, el proceso es similar, pero el espacio tended r dimensiones, y en ver de una elipse cera un elipsnide. El test consiste ‘en examinar si el punto dado por la estimacion cae dentro del elipsoide, A primera vista ‘esto se ve poco operativo, pero hay una forma en que esto se puede operacionalizar. Concepto de. ynfianza ‘Asi como existen tests conjuntos, también se pueden construir regiones de confianza, Fete es el concento anilngo al intervaln de confianza individnal Fste iiltimo es el conjunto de valores posibles det parimetro individual que tienen una determinada probabilidad (1 - c2) de contener al verdadero parimetro. Este conjunto de valores estén en un trazo recto centrado en el valor estimado y sus limites som los del intervalo, En e caso de la region de confianza, se trata de inferir sobre los valores de un par de parametros, por ejemplo B3 y By, 0 un par de combinaciones de parametros (de todos Jos elementos del vector B), donde cada par se representa como un punto (coordenadas) dentro de un espacio cuyos ejes son los dos parémetros las dos combinaciones de pardmetros. La region de confianza es un rea en ese espacio que tiene una determinada probabiidad (1 - o) de contener ai punto que representa ai verdadero par de parametros ©. la verdadera combinacién de parametros. El dea tiene la forma de una élipse que par de combinaciones de parimetros. Esta elipse esta semi inscrita en un recténgulo eayvas ladas. san los intervalos de_confianza sea. para cada parimetro 0 combinacién de pardmetros. El centro de fa elipse, ahora, esti centrada_en los estimadores en vez de en las coordenadas de la hipétesis nula. Como cada muestra dard corigen a una elipse distinta, ta elipse es aleataria, [[Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del eurso de Teoria | eonométrica del Instinto de Economia de la Pontificia Universidad Catlica de Chile, dicta por Juan Eduardo CoeymansEn general es posible construir hiperregiones 0 elipsoides de confianza de hasta de k dimensiones, Elementos adicional del test general de hinétesis v del elinsoide de confianza Dos propiedades de matrices: [1) Gha matric W cualquiera de varianza covarianza es una matriz definida positive. | W=E(h - Ehyh - Eh) = E[HH'] donde h es un vector de variables aleatorias. Pre y postmultiplicando por un vector columna cualquiera X distinto de cero, se tendra: XE(HHX = EDCHH'X] = E[CH)HX)] = E[LL] > 0 donde L = H'X es un escalar 2 ) Diagonaiizando W con ia matriz ortonormai Z podemos escribir: ZWZ=A Prey postualtipticande por Z. ZZWZZ'=ZNZ) W=ZAZ Puesto.que W-es positiva definida, todas las raices caracteristicas son_positivas, 10} Expresién de la matriz var-cov de una combinacién lineal de variables aleatorias |Demostracién de que Var CX = CVarXC' \VarX = E((X - EX) EX)'] E[(X- EXOX- (EX))] =E(XX'- K(EX) ~ (EXD + EXVEX)] ‘Noir Apuntas do lass, isos a evisidn, para-asosxchuaivo de Tos umnor det eo de Tears ] Econométrica dal Instituto de Economia de la Pontificia Universidad Catsliea de Chile, dictado por Juan Eduardo Coeymans.VarX = E(XX’)- (EXYEX)! NarCX = BCX - ECXKCX- ECX)'] E[(CX - CEX)(CX- CEXY] (CX - CEX(X'C- (FXYCY] [(CXXC - CX(EXYC - C(EXK'C + C(EXYEXYC] = CE(XX')C' - C(EX\EXY'C' - C(EXEXY'C’ + C(EXEXYC’ CE(XX)C' - C(EXEX)C’ C{E(XX’) - (EXEX)}C’ Chvarxyc Var OX, ‘Presentacién matricial de la distribucién 2, ‘Supdngase que Y'€s uni vector der variables normales independientes:) ‘'Y ~Njn, 071] (variabies normaies independientes) Estandarizando estas variables se puede definir: Lo cual se puede escribir como: Fn forma matricial esta definicién se puede escrihir como: Ahora bien, Silas variables del vector ¥ no son independientes, esto es: “Y ~NIu, @2W), (mari varianza covarianza o2W en vez de 021) entonces no se cumple que (Y= ph) (92 IP CY =n) ~ 392 Shoctunnl cqeongoamieriemnogteensaimembereoRTIEy (Y= By PWYHCY -)~ 42 En otras. palabras normales. Esto es 1o que demostramos a continuacién: Definamos fa variable q= Ry ‘Nola: Apuntes de clases, sujelos @ Fevision, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de Ia Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coevmans.49 donde RR'=W (recuérdese que lo demostramos més arriba) y=Y¥-4, porlo que Ey =EY-n=0 La matriz varianza covarianza de y es Var y = Eyy' = E(Y - w)(Y- py = Var Y= 02 W Eq=RiBy = RIE(Y-u)=0 Lamatriz inza de g es: Var q= Ela Eq] [4 -Eal CBRCB [Ry] RI yt = EIR y) YR} Por lo tanto, los qi son independientes. ‘Ademés, como son combinaciones fineales de variables normales, fos qj se distribuyen rormalmente. I nego: g~NO, 07D) Por lo tanto: (q- Fay (0? Reemplazando el vector q por su definicién: (Rly) (64D (Ry) ~ xe (FRY) yt Rly) ~ x? (2)) Y'R1) (RY y)~ ae (oy! y@eRyy~ x9 (yl y Wy ly~ x7 ‘Nota: Apunies de classe, sojeios & Tevisién, para wo exclusive Ge los alumnos Gel carso de Teoria Ezonométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan sardo Coey mas J(62y 1 - WYWY HY - ph) ~ x? Por lo tanto: Jos fh. Nétese que cada muestra de n observaciones da origen a un conjunto de k ——< Defoamosfatins matriz de constantes arbitrarias de orden rk, de rango r. Nétese quer ‘Una combinaeion lineal cualquiera de los estimadores MICO se puede escribir como: CRF “BCA CEB Cp Por lo tanto, dado que cada 7 (elemento de C) es una combinacin lineal de los 3, {os cuaies son variabies normaies, enlonces: Aplicando el resultado de que (Y - 1)’ (6? Wy! (¥ - 1) ~ x?y reemplazando al vector Y por ei vector Cf, ei vector yx por CB y ia matriz W por C (X°X)'C, se'tendiré: vector Ch-y de CB. Dado que no conocemos o?, es conveniente reemplazar o? por su estimador 62 ‘Tenemos entonces Ia variable (CH- CRY (6? COXXPIC)T CH- CB). A demostramos que esta variable se distribuye como T con libertad. Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economéa de la Pontificia Universidad Catdlica de Chile, dictado por Juan ‘Eduardo Coeymans.51 Recordamos mas artiba que = 7—~ Fr.» donde Z)~ 47 y Zp~ - Si hacemos: Zi= (Ch - CBY (2 COXXY ICY! (CB - CB) que es una y? (CB=CBy (COX XC) (CH=CH) a & Fat De la expresion anterior se puede construir la sentencia: ‘Nota Apantes de clase, ujtos a revision, para uso exclusive de Tos alumnos del curso de Teoria | Econométrica del Instituto de Economia de la Pontificia Universidad Catdliea de Chile. dictado por tn | Eduardo Coeymans.52 De esta desigualdad se obtiene la regién de confianza para CB con I= a: Lich-cayie C(X'X)-1 C1 (CB-CB)SF, wt a eee eee) Esta. region de-confianza tiene la forma de un elipscide de'k dimensiones, Con ta cexpresién anterior se pueden hacer tanto regiones de confianza como tests conjuntos El numero de hipotesis que se testea es igual al niimero de filas de la matriz. C =r Grafivos Cuando se hace un test conjunto, si el punto que representa al vector estimado de coetcientes cn fers el elie se ecara la HN Una frma més operativa de examinar la hipétesis es la siguiente, Si al alimentar la desigualdad sustituyendo CB por el conjunto de hipdtesis nulas, no se cumple la desigualdad, o sea el-valor def F calcuado es mayor que ef valor de F critico de fa tabla, serechaza la HN. Como ya se dijo, Ver eréfico. De igual manera, el elipsoide de confianza esta semi inscrito en un recténgulo” definido por los intervalos de confianza para y individuales. Para entender la operatoria del test haremos algunos ejercicios. Bjemplo 1: Test individuat Se puede ver facilmente que el test F converge al test «. ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan duardo Cooymans, j33 bre al ch=fo + 0. off? b ay 2 a3 au] 1°] xX)IC! 8 8 Bae COR) ax 833 3g Be as Asal ay 1-6 estadigrafo se puede escribir: Ejemplo 2: arte del vector En el modelo: Yi= 81+ B2Xi2t 83 Xis * Ba Xia * uy se quiere testear la HN: B2 =O y By=0. HA: B, #00 By#0 0 By y By #0 Et conjumto de HN se puede ordenar como: oC Este conjunto de hipétesis se pueden escribir haciendo uso de CB. En este caso: Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan = “Apuntes de clases, sujetos a revision, para uso exclusive de los alumnos del eurso de Teoria [ Eduardo Coeymans. }4 ‘Notese que el ntimero de filas de C, (y su rango) es igual al niimero de hipotesis. Por otro lado, para esta hipétesis conjunta CB es: Haciendo: a wxyl= (v, Ay Aas Ang ( ax ass | (a a a au )/0 0) Bac! © 0) jay ap ays ay ijt o corsric a) eee [ o| a 82 Ae aa) 1) 0 0 oe eae Comte = | } DO Agr gy 843 Bag . \o an ay coexylc = Bap Ba Por lo tanto: ‘evisibn, para uso exclusive de fos ia do ta Pontificia Universidad Cato snag del curso de Teoria e Chile, dictado por Suan55 (cB-cp}(6? cor’xytc) (C-cB)= 1 2(a @\]_,(B:- Br) ps 5 (Bs BavBe- pale (@ a (i: - ‘| Foe. Teniendo los datos de la matriz X se puede calcular la matriz (X'X1 El valor de 6*se obtiene de la regresion, Nétese que esta regresién no incorpora ta restriccién o HN, Més adelante veremos tests que se hacen sobre la base de una regresion que si incorpora Ja restriccién o HN (test de multiplicadores de Lagrange). ‘Nola: Apuntes de clases, sujelos a revisiOn, para uso exclusivo de Tos alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Edvardo Coeymans56 Ejemplo 3: Combinaciones lineales Supéngase que fa ecuacién de tres variables explicativas corresponde a una Cobb- Douglas expresada en logs naturales, y que X: es capital, Xs es trabajo y X; es tiempo. ‘Se desea hacer test para la hipdtesis de retomos constantes. HN: Bz +B. HA: By +P3#1 =O et 0}: CR = B+B=t cexxyie 11 oft “B22 825 OX) e y 43, 432 a3 v4 [ag ag ag A744 . : (67 (ap) +453 +23 +43) corresponde a la suma de las varianzas de 8, y 3 més dos veces Ja covarianza entre ambos coeficientes. = Oyz +33 + ys + Oy Por lo tanto: Fina= (Ba + Bs - 116? (dan Hass + a5 +52 M(B + Bs =D pee OF Gig + yy +453 + 3) Contrastando con ei vaior de tabla de F, para un c determinado, se toma ia decision de aceptar o rechazar la HN. ota: Apuntes de clases, sujetos a revision, para uso exclusive de Tos alumnos del curso de Teoria Econométrica det Instituto de Economia de la Pontificia Universidad Catéliea de Chile, dictado por Juan Eduardo Coeymans.(6) .Wfe) 2 creer <6l-) ‘uh ) ‘A veces el cumplimiento de fa teoria impfica que se cumplan varias restricciones al mismo tiempo, 1o que implica Ia necesidad de hacer test conjuntos sobre varias combinaciones lineales. Por ejemplo, Ba +Bs 1 HN:| By -( Bite Ut En este caso r=3 y Ja matriz C habra que definirla acordemente. - En forma anéloga al caso del intervalo de confianza para un parkmetro, él elipsoide™ ARREEOREOEOIGAIANAREY Por lo ito, par una misma "discropencia numérica” entre Cy CB, se hace més dif rechazar la HN. Nos aseguramos més de no rechazar erréneamente la HN, Pero, a mismo tiempo, aumentamos el error tipo I. En forma andloga la caso del intervalo de contianza para un parimetro, el elipsoide de confianza se contrae. Es decir, se hace més preciso y més facil rechazar la HN, dado una discrepancia numérica entre CB y CB. confianza para Es decir se hace més preciso, Se hace mas facil rechazar la HN, dado una discrepancia numérica entre CB y ce. Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Cocymans,58 Sie ret cco stamens Poo prev demu feat, Fe Ja respuesta es que el valor de F calculado disminaye, haciéndose més dificil el rechazo la» ero ay el valor de tabla? fa Fala worded gh pan e um WIM, 0 u qeucdot ‘Test con el modelo en desvios — Si el modelo est en desvios, ta formula no cambia, 1a matrizX es sustituida por la matriz, x = MOX. Sélo hay que tener cnidado con los grados de libertad del denominador de la variable F. Ellos siguen siendo iguales a mk, aunque el vector B+ ‘tenga kel coeficientes. La razon es que para calcular los residuos se ha usado el mismo nimero de restricciones 0 ecuaciones normales (k). iz vari ‘Estimacion con restricciones exactas: Tin la préctica la-estimacién de una regresién con restricciones exactas es muy sencilla. Se escribe la ecuacién incorporando las restricciones y se factoriza por los coeficientes a festimar. El proceso se traduce en una transformacién del conjunto de variables explicativas de fa regresién. Por ejemplo, dado el modelo: Yi= Br +BoXz + BoXo +B4Xe +o Sila HN es: f2= 0, entonces Ia ecuacion que incorpora la testriccion set: ‘Yi= Bi +BaXis + BaXia Si la HN es: B2 +B; =1, entonces la ecuacién que incorpora la restriccién seré: 1+ BaXia + (I+ Ba)Ko+ BAX wi L Nota: Apuntes de clases, sujetos a revision, para uso exclusive de Tos alumnos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catéliea de Chile, dictado por Juan Eduardo Coeymans.59 Yi- Xis = Br +Ba(Xia = Xa) + BaXe + donde (Vi - X;3) ¢s la nueva variable dependiente y (Xo - Xs} y Xa son fas nuevas variables explicativas. ‘La estimacién por MICO de los modelos restringidos producird Ios estimadores que incorporan el conjunto de restrieciones, > Derivacién formal de los estimadores con restriceiones exactas Estos mismos estimadores restringidos se pueden derivar formaimente a través de ta minimizacion de la suma de cuadrados residuales sujeto al conjunto de restricciones: Elmodeloaestinr cs yexpee 2B 5 2e e=Y-Xf BE=(Y-XBY(Y—XB) Minimizando la suma de cuadrados residuales sujeto al conjunto de restricciones: 9= (Y-XBY(Y ~XB)-20(CB-CB) donde % ¢s un vector columna de multiplicadores de Lagrange. Nétese que la expresion anterior es un escalar. Derivando respecto a cada elemento de fy de Xe igualando a cero se obtienen las vondiciones de primer orden, De este eonjunto de ecuaciones se pueden despejar fos vectores B yA: Bana 428 XB-204=0 @ Ba xCB-CB)=0 @ Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan ‘Nota: Apuntes de clases, syjetos a revisibo, para uso exclusivo de Jos alumnos del curso de Teoria Eduardo Cooymans.60 cuadrados de los residuos obtenida es igual a Ia estimacion de MICO libre (sin restricciones). También nétese que el segundo bloque esta formado por las derivadas parciales respecto a A y no respecto a 2 Dividiendo (1) y (2) por 2 y reordenando ef conjunto de ecuaciones queda: B) @ (5) Simplificando y usando Ias ecuaciones normales de MICO libre (sin restricciones) cB-cB-cUw xACa=0 © ‘Combinando (4) y (6): CB-C BCP XPCA=O a De (7) podemos despejar A: 2=(C(X’XY CY (CB-CH) oy Para obtener f introducimos (8) en (3): XV AB-XY -C(UIN-XP'C) (CB-CB) =0 9) Despejando XB : MXBHaXY HC (C(XXPC) (CB-CB) (10) Premuttipticando por (X°X)"1: 5 Por lo tanto: [P-Betccax cy e-ch] SSC) eae a donde fF es el conjunto de estimadores de Ia regresiOn restringida y ® son los estimadores MICO libres o sin restriccién. 'X) PX'Y40XX) 'CYC(X’X) 'C) 1 (CB-CB) (i) Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria ] ‘Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.6 > Forma altemativa del test E El vector de residuos del modelo restringido sera: ‘e=Y-xB 3) ‘Sumando y restando X ji en el lado derecho: e=Y-XP +X B-¥ 6 4) Y-XB-XB+ x6 (13) eae XB+xB (16) eae-x(B-p) a7) La suma de cuadrados de fos residuos restringidos: ee =b-xB-B)\E-XB-B)} a) —(B-BY x} XB py} 9) B'S =f e-e'X(B-8)-G-fy X'e+G-fyX'XG-f)} (20) Dado que Xe=0 ee fe +B-fyx'x BH} eb Por lo tanto, la diferencia entre la suma de cuadrados restringidas y libres es: eS -ce= B-fYX'XG-B) (22) Despejando (8-6) de (2) ¢ introduciendo en (22): ve-e = {orneeormcncp-c Bh ex {urancearmenes -cb} 23) ‘Transponiendo las matrices de! primer paréntesis y jando Jos paréntesis corchete: v'e—ee =(CB-C AYCOCK XY XXX PIC (CX XC )CB-C py (24) Simpiificando: (25) Nota: Apuntes de clases, sujetos a revision, para uso exclusive de Tos alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catblica de Chile, dictado por Juan Eduardo Coeymans.2 Vemos que esta expresién es igual al numerador del test OB (el cual es un escalar), Notese que es una forma cuadritica de las diferencias entre las restricciones alimentadas con fos estimadores MICO y con fos valores def vector R (CB). Por esto, da fo mismo tomar estas diferencias como (CB-Cf) 0 como (C B - CB). Por lo tanto: ve—ve a(CB-CBYCUXC}(CA-CB) 26) El test general derivado anteriormente era: (CB-CBNCER’X)7. CY (CB-CB) ‘tsk 27) ‘Usando el resultado obtenido en (26) este test F se puede escribir como: (28) Lo que finalmente se puede escribir como: ie aa © was ¢, + arkel wearer WO me am Siew ce pf> uta ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de Tos alumnos del curso de Teoria Econométrica dl Instituto de Economia de la Pontificia Universidad Catéliea de Chile, dictado por juan Eduardo Coeymans.63 Cocficiente de correlacion v de determinacién ‘Veamos primero la relacién entre posibles indicadores de asociacién y el eoeficiente de correlacién. ‘Supongamos que fay una sola x y, por fo tanto, omitimos segundo subsindice Ver Grifico que divide el primer cuadrante en 4 y que ilustra correlacién positiva y egativa 2) Exiyiin tage porn cen de a ues Por np, vaca cand de Por ejemplo, si la variable x es la cantidad de fertilizante y la variable yj es la produccién de una planta, Esto, obviamente es una mala propiedad. Por esto, surge el , que no tiene los efectos de los anteriores. > a Estee precisamente el coefciente de conelacién simple. Ese indcador toma valores entre, yA podemos escribir: ‘Nota; Apuntes de clases, sujelos a revisin, para uso exclusive de los alumnos del curso de Teor Economéirca del Instnto de Economia de la Pontificia Universidad Calica de Chile, dictado por Juan Euarda Coeymans,4 obExt BEx? Ba ¥ExP/n Ey a Si elevamos al cuadrado el r y simplificamos los n: Baxi + =H46 vt ExT +eP + 2Baxiei= Ht +eF +290) Ly? PREAP+ Le} +282 E xiei= EH +Lel +2EIie1 Pero Laie; =Opore: Tota Apmics de dass, sujelos @ revisién, para aso eaclusivo de Tos alumnos del curso de Teoria Econometnca det iste de Economia de fi Pontiicla Universidad Catca de Cte, dictado por Suan Eduardo Coeymans.65 Ja x'y=x'x(x'xy x'y=0 xte=x'(y-xf) =x! (y—x (xx) x" donde x e y son matrices en desvios. De ‘igual ‘manera: rH Por lo tanto: ~fx'c-0 Lyf =BExP +E? = EG +e? El término 35x? (5.9? ) es la variacién explicada y el término Ye? es Ia variacia no explicada. Asi, la variaciéa total en tomo a fa media se puede eo ke. =—— a xe Sh ri“ oe ern) (tn 2) jem) ‘ ey = oe pak Bee < +m donde R? corresponde a la regresion libre y R a larestringida, Repasar dummies y test de cambio estructura: este tema no tiene apuntes. Con un apropiado uso de dummies se pueden obtener los residuos libres de cualquier modelo. ‘Tarea: hacer una regresién con tres variables cuafesquiera con 30 datos y hacer test de ‘cambio estructural usando las tres formas de test (CB, residuos libres y restringidos, y ‘Gammies) para fa hipdtesis de que: @) HIN: todes los parimetsos oom iguales entré dos ‘muestras contra HA: alguno es distinto entre ambas muestras; b) HN: todos los parémetros ‘son iguales entre dos muestras contra HA: el parimetro de la primera variable ina cambiado. ‘Test de Chow propiamente tal ois: Apunies do cases, sjetos @ revsién, para uso exclusivo de Tos afamnos del curso de Teoria Peonoméuica del Instituto de Economia de la Pontificia Universidad Catlica de Chile, dictado por Juan Eavardo Coeymans.4 Las dos formas de test de cambio estructural que vimos requieren de que cada submuestra, tenga més de k observaciones. Aungue el test de residuos libres y restringidas aplicado a distintas muestras se le asocia con el nombre de Chow, la contribucién de Chow se refiere al caso en que una de las muestras tiene un nimero de observaciones igual 0 menor que k. Supéngase dos muestras de tamaiio n, y m, donde m UecenrImt on Les Xs = B48, Xe +8 Xue. +8, Xu Nétese que Xo es un vector fila (en algunes textos se usa el transpuesto de un vector coluna). Valor esperado de Ys condicional a Xo BCL R=, +B, Xo Bore - +8 X0 | (Yo {Xo} = 8,482 Next 8 Xe94 cecncnnnn te Kon Por lo tanto, el valor esperado del predictor es el valor de la ecuacién poblacional para Xe Not Apuntes de clases, sujetor a revision, para uso exclusive de Tos alumnos del euro de Teoria Econometrica del Institue de Economia de la Pontificia Universidad Calica de Chile, dictado por Juan16 Valor efectivo de Yo: Yo =XoB+uo=fl Xer XaxennXaJB-+Ue = B+B: Xn+ Bs Xo +04 Xo +t Valor esperado de Yo dado el vector Xo = E(Yol Xo) E (Yo | Xo) = EAB £8:Xex-6 8 Nes tcnnn Lh Kon +] E(Vo| 0) = Br +B:Xo+Bs Xo tf Xow O sea el valor esperado de la observacidn es también ol valor de la ecusciée poblacionsl Esto quiere decir que si se cumplen los supuestos que hacen que los MICO sean Pero una cosa es que no haya sesgo y otra es que no haya error Definiendo el error de prondstica coma: er er=Yo-¥o {notese que eres un escalar) = BAB Kot B Ket... +B Xa t+ Uo BB, Xer— fh Key. By Xow ¢ (= B,) +s -B,) Xor+(Bs BY Xa (Bx BY Xe orto f =X (8-8) + EI valor esperado del error de pronéstico es: Be -E[X0(6-8 +0) Ee = XoE(B-8 + Ew Si se cumplen los supuestos pertnentes, los MICO son insesgados y por lo tanto: Bee La varianza del error de pronéstico: ‘Noiz Apuics de clases, jets © eovision, para uss exlusivo de tor alumaoe dal curse de Tear Economeésica del Iatitulo de Economia de la Pontificia Universidad Catlica de Chile, dctado por Juan Eduardo Coeymans78 [Nétese que aqui Eer=0 Dado que no conocemes o usamos@. Por las mismas razones seftalades en la derivacion del test sobre un parémetro individval, al usar & en vez 6, el error de prondstico standarizado se dstribuye como una student er —Eer mtn 5 Yexace XY X41) ‘Lo que se puede escribir también como t ~ Ber = ttn Sq See donde Sores el estimador de la desviacién estindar del error de pronéstico o sea: deg = Sor RIED Usando £4 ~ tn, se puede construir un intervalo para el error de pronéstico para el valor ef de Yo: 1} tape seh nfs ge tera tna Prbtarabey $e Stur2dag Fla or lo tanto, el intervalo para el error de pronéstico: ere tas2ber De aqui se puede obtener €l intervalo para Yo: ‘Nota: Apunies de clases, sujelos a revision, para uso exclusiva de Tos alunos del cum de Teoria [Econometrica del Institue de Economia de ia Pontificia Universidad Calica de Chile, dctado por Juan Eduanin Cocyaans.9 [Tarear demostrar que el infervalo de prondstico en el caso de una regresion simple es: XY a Se ow [Notese que: a) el intervalo de confianza crece a medida que el valor de Xo se aleja de la media, b) disminuye cuando crece n, y ¢) disminuye cuando sube la suma de los x's en. vies. Explioaren forme gif Dado que £1F ~ gg se puede teste la pies mula de que el Bers ceo {ps con si pun sao ere que Yo =X"? Ene ews seeeeciont ve Kod) e(0"=B)20 Yor Vo + tars fl+ otras palabras, : 5 Por Jo tanto: wens =e sr val Koran Este test se puede haver con una sola observaciGn, Debe hucerse usando la regresién estimada sin la observacion. Tevision, para uso exclusive de Tos alumnos ontficia Universidad Catlica de Chil, dictado por Juan80 oe euarsico donde eff es el error de pronéstico para el periodo r obtenido de una regresién estimada con Estos Gltimos teste son los de CUSUM y CUSUM cuadrado. TestdeCusuM ' aualcear U Dd ebook ‘Brow et al. (1975) sugieren dos tes basudasen os resituasrecuriven: TNotar_Apunies de clases, sujios @ revisiOn, para uso exclusivo de Jos alumnos del curso de Teoria [Economica del Instituto de Economia de Ia Pontificia Universidad Catolica de Chile, diciado por Juan Eduardo Coeymans.82 Un cambio de parimetros, sea del vector B 0 de 6, podri detectarse con los residuos Por ahora veamos como se utilizan para detectar un cambio en e! vector 8. Not Apuntes de clases, sueior a revisién, para uso exclusive de Tos alumnos del curso de Teoria Bconomerca del Instituto de Economia de la Pontificia Universidad Catliea de Chil, dictado por Juan Eduardo Coeymans83 sates)” - \jr bh wasn a yacapoo aatol — bata Ou 1 (rh. Si UD Wulnerda 2 nheched si coe Ouhod 0 Wary carbo enbwchrad HU acpho 1 -3a(n-k) EL valor de la constante “a” 01 corresponde 05 correspoade 1.10 corresponde cst determinada por el nivel de significancia (@). Asi, para: 143 EI segundo test propuesto por Brown et.al, es’e de CUSUM euadrado: ene puurde cuter adit arthur p, Auta ot laners, PEK, call Le ut aa toota Da wuuste 2 qr wo Yar 4 ‘Bajo a hipéesis nla de que Bes constant; eShch | LSA aay ves sr parte de cero cuando r= k y lega hasta uno cuando r= n. Para ver cud significativa es la diferencia erie sry sa Valor esperado, se compara s; con una banda de significancia que depende de n y cuyos niveles estan tabulados en el articulo de Brown, Durbin y Evans (1975). Noa: Apuntes de clases, sjoios & revision, para uso exclusiva de los alumnos del euro ds Teoria Econometrica del insite de Eeononia de la Porificia Universidad Calica de Chie, dictado por Iuan Eduardo Cocymans.84 Hay alguna evidencia de experimentos de Monte Carlo aunque no concluyente de que 1 an mnemnnbinmtnanicidi sw wan A estat far OA. rA estmadas cuss wa + Cr) a ” La diferencia con el anterior es que el Elancho de:estos intervalos 0 eteros pare acepar estbilidad son sare al easo anterior (3) ‘A continuacién se presentan Jos resultados de una regresién de la tasa de desempleo y algunos de los grificos de todos los tests salvo el de rolling. ‘Dependent Variable: Li86 Method: Least Squares Date: 04/14/03. Time: 15:49 ‘Sample(adjusteq). 1981 2002 Included observations: 42 ater adjusting endpoints Variable Cooffcient Sid. Error eStats Prob c 0.027063 0.005627 4.866201 0.0000 DLoG(Pisss) © —-0.317787 0.038100 8.340841 0.0000 U96¢1 0.844589 0.057277 _14.74582_ 0.0000 Resquared (0.672882 Mean dependent var 0.098007 AdjustedR-squared 0.866374 S.D. dependent var 0.038300, SE.ofregression 0.015270 Akaike ino orerion 4.757845 ‘Sum squared resid 0.006887 Schwarzrierion 5.613823, {Log iketinood 123.4908 F-stalistic 133.9131 Duttin-Watson stat__1.821778_ProblF-statistic) 2.000000 ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusiva do los alunos del curso de Teoria Econometrica del Institue de Economia de la Pontificia Universidad Calica de Chile, diciado por Juan ‘Eduardo Coeymans,85 65 70 7 80 85 90 95 00 —— CUSUM ---- 5% Significance la sntabtiaod adonk ol wolo xo 2 Toa Apuntes de clases, aajeios @ revision, parm oso exclusive de fos alumnos del curso de Teoria Economética del Insttuo de Economia de ta Pontificia Universidad Catlica de Chile, dictado por Juan Eduardo Coeymans86 1.6 > Puro badear S05) ue outlaner 70 75 80 85 90 95 00 —— CUSUM of Squares _---- 5% Significance ore Hefer let pal fclubhcu out lanetc A year ak kt hohe uuubeu ¢ Vermerss Cefaricuo Us wat woud), eto pag’ ete obs lige atucln & wet ofo “gion A, Peo ero me uWencte 3% eI 495 cotoas yok eS ca pour ‘Not Apuntes de clases, sujelos @ revisiOn, para uso exclusive de Tos alumnoy del curso de Teor Econometrica del Istituto de Economia de la Pontifciy Universidad Calin de Chile, dictado por Iuin Eduardo CoeymansLesi dod ewig) a 87 Follow ls B weber $e A wareh — KedULOL =A bos werwuate BO7 entra orolot Tuntrinkideaot Srl, er ung proc Esto quiere decir que el valor esperado de los coeficientes de las variables que pertenecen al modelo verdadero son iguales a los pardmetros, no habiendo sesgo. Por otro lado el valor esperado de los coeficientes de las variables intruses es cero. Varianza de los estimadores A continuacion veremos los efectos sobre las varianzas verdaderss y ectimadas de los cerrores de especificacién, Se mostraré que las varianzas verdaderas de los estimadores cuando se excluven variables ‘que pertenecen al modelo son menores alas varianzas si no se excluyeran esas variables. Por otro lado, la inclusion de variables adicionales que no pertenecen al modelo genera varianzas verdaderas aumentadas para los coeficientes de las variables que pertenecen al modelo verdadero. Respecto a las varianzas estimadas, debe considerarse ademés el efecto sobre el estimador de la varianza de los errores. En el caso de exclusién se obtiene un estimador que sobreestima a la varianza verdadera de los errores. En el caso de inclusion, la suma de los residuos disminuye, pero también cae n-k. El efecto esperado sobre el estimador de le varianza de los errres es nulo. Varie =E{(6* -E6*)(8*- EB *Y) be = [xe xepLXHY = [X"_X*PEX" (XB Bt =PBR+IX* Xt} Xu93 BER =X" XOHIXHY Por lo tanto: Var BY = E((X* X*YE XH uN(KE XY X" wy] S EOMXASE XH wu'XY OCR = KYL XY OA X* OX XAT = AX" XL a ‘Tarea: derivar las varianzas pera el caso en que e! modelo verdadero tiene dos variables cexplicativas y se estima una regresion con s6lo una variable explicativa y para el caso en que el verdadero modelo tiene una variable explicativa y se estima un modelo con dos cexplicativas, Comparar las varianzas “Bl estimador dela varianza de los erores.- Cesoomisigndevariahles) > Se saca uifo g’ apeda > mare Lor HA 5 are El pou expucahio = (Y= KOOP TROY (Y= ROCKY XPT EVD wt + de bt al BO YKEC XE XEYE XH (Y= XH XH XPV) puro pa ap ee ae Rss = XPBEY CY X* BP) SY XH KH XAT NHL: HCH XT NOY =YM'MY =YM‘Y puesto que M* es idempotente La condicién de idempotencia de M* es un resultado general vilido para cualquier matriz jamnos del curso de Toor ‘de Chile, dctado por Juan94 Reemplazando Y por el modelo poblacional en su version particionada: RSS = [X*B* + X°B? Hay M*IX*B® + X9D" uy [BY Xe + BO XO U] ME EXSB + X° By) = BOX" MY XIBY +B OXY MEX? B? + BOX 49x ME XIBE + BOKOME NB 2B XO MEY + U'M* XB* + uM? X? 9° FM ta Pero M*X* =0 Por lo tanto RSS = BME XB +B OMG + WMO x! 8? FUME =P" XM X°B° +289 Xu + u’Mtu puesto que cada término de RSS es un escatar. Sacando valor esperado: E(RSS)=B°' X”M* x?” + E(u’M*u) ‘Ya demostramos que Eu'Au = 6%rA si A es simétrica y u es “bien comportado” (0 sea si Euu’ = 621), Por lo tanto: ERSS) = B°X/M* X'S? +s%(n-1) ES] 02 BOMEX Se puede demostrar que la matriz de la forma cuadrética anterior (X"M*X" )contiene la suma de cuadrados y productos cruzados de los vectores de residuos de las regresiones entre cada variable de_X° y las incluides. Por lo tant, tiene las propiedades de una matriz var-cov, 0 sea es positiva definida si no hay dependencia entre los vectores de residuos y positiva semi defnide sila hay. Esto garantiza que le forma cuadetice es pestiva (0 igual @ cer), Nota; Apuntes de clases, sujetos a revision, para uso exclusive de los alumnos del curso de Teoria Economéivica del Institute de Econounia de la Pontificia Universidad Catia de Chile, iciado por Juan Eduardo Coeymans.95 Demostracién: Los vectores de residuos de las regresiones entre cada variable de X° y el conjunto de X* ‘se pueden ordenar en vectores cofumnas: Tet a? as x°-X*IT =| 2) © 7 1 @] =Q =X0-X¢ (XHXPy! X#X0 (usando la definicién de T1) = (Le X# (KORY XH XCEMIXI= x" es de orden n (ler), X* es de orden mi, Th es de orden 1-1) eg af apts af aod? [let dt ee wcuextye? = xO™MEX? vee presinent a mai de aoe cudrsia Les Osea et csiaior de a aindo-t sobreestimar Ja verdadera varianza a”. Esto sucederd aunque las variables sean ortogonales ‘y no haya sesgo. En forma intuitiva: una variable que pertenece al modelo debiera contribuir a bajar la varianza residual, ya que su aporte a la explicacién del fendmeno no debiera ser ‘compensada por ia pérdida de grados de libertad. Solo en el caso limite en que es casi perfectamente colineal, su aporte sera a 10 mas compensado por el efecto de ta pérdida de ‘grados de libertad, Por lo tanto al excluir una variable que pertenece al modelo, Ia varianza estimada de los errores tendera a subir. ‘Noi: Apunies de clases, sujelos a vision, pars uso exclusivo de los alumnos del uso de Teoria Econometrica del Instituto de Economia de la Pontifiela Universidad Caen de Chile, dictado por Juan Eduardo Cosyians.96 Dla urie y imador de la varianza de los el caso de i ve Sreoks NS ato Se demostrari que en este caso no hay sesgo en el estimador de la varianza residual, por lo ue las inferencias est bien hechas: RSS =YMtY Donde Mt =I. X#(xexey" xe" xt = x!) YY =xB+u RSS = (XB +u)'M*(XB +u) =PIX'MEXB + BIX’M¢u + UM*XB + uMtu = PIXM*XB + 2X Mt + uM E(RSS)= B'XM*XB + o°TrM* ~BXIMEXB +0%(o-(kts)) Pero M*X= 0 porque: MKF = (1 XML KOK = 0 Osea M*X X!)=05M*X=0 Porto tanto: © sea que el estimador de la varianza residual es insesgado cuando incluimos variables intrusas. El hecho de que las varianza estimadas estén sesgadas en el caso de variables omitidas y no lo estén en el caso de variables intrusas es un argumento para preferir una estrategia de Nota: Apuntes de clases, sujetos a vision, pam uso exclusivo de lov alamaos del curso de Teona Econometrica del Instituto de Economia de la Pontificia Universidad Catdliea de Chile, dictado por Juan Eduardo Coeyaanso7 seleccién de modelo que parte de la especificacién de un modelo general y se reduce a través de test sucesivos. La estrategia alternativa consiste en partir de un modelo simple e ir testeando si incorporar ono una variable adicional. Bajo esta segunde alternetiva los tests «stn mal hechos, ya que el estimador de la varianza de los errores la sobreestima. Cuil es el costo de incluir variables intrusas? La varianza de los estimadores es mayor que la que obtendriamos de estimar el verdadero modelo. Lo veremos con un ejemplo aplicado al caso simple, ¢¥ cul seria el costo si fueran ortogonales alas inclwides? Usando propiedades de matrices particionadas, se puede demostvar que para el vector § correspondiente al vector B (de k.1) varfh=02(X'X=X'XEAT XI AX! xy ‘Demostracion queda de tarea Esto titimo sefiala que hay que tener cuidado con abusar de Ja estrategia de Jo general a Jo Particular porque si bien los tests estén bien calculados (el “termémetro esté bien"), las varianzas verdaderas son més grandes si hay colinealidad (correlacién) entre las variables explicativas del modelo verdadero y las potenciales variables intrusas, Varianzas verdaderas més grandes pueden llevar a aceptar la Hipétesis Nula (de que un pardmetro no pertenece al modelo) con mayor frecuencia. O sea sube el error tipo H. Esto sefala le ‘importancia de introducir restricciones de la teoria u otro tipo de método que disminuyan la asociacion entre las variables explicativas, Uno de los ejemplos en que se sobreparametriza un modelo es cuando no se sabe la estructura de rezagos. El formato del modelo de correccion de errores 0 el uso de ‘estricciones sobre la dstribueién de los efectos de las variables rezagades, puede ayudar en este caso a disminuir las correlaciones entre los rezagos. (Nota Apunies de clases, sujelos a revision, parm uso exclusive de los alumnos del curso de Te wnduica del Instituo de Economia do Ia Pontificia Universidad Catéica de Chile, ditado Eduardo Coeymans98 MULTICOLINEALIDAD 1) Multicolinealidad perfecta “Sil X) PORK) < k= el determinante de XX es cero y los eatimadares 0 5& pueden computar, ya que no existe (XX)! ~ Ejemplo: Un caso tipico es el mal uso de dummies cuando se incluye la constante junto ‘con una dummy por cada grupo. En este caso el vector de unos de la constante es igual a la ‘suma de dummies, 2) Multicolinealidad imperfecta Ocurre cuando existe asociacién imperfecta entre variables explicativas, El R entre una. variable explicativa y el resto es distinto de cero. ePor qué se produce fa cofineafidad? Porque no controlames fos datos, Esa es fa gran diferencia entre usar datos de experimentos controlados.de laboratorio y datos reales no controlados, que es la situacién comin en las ciencias sociales. EL caso opuesto a colinealidad es el de ortogonalidad en cuyo caso los # entre variables cexplicativas son cero. 2.1 Los Efe el determinante de X°X y la matriz vars arionza La colinealidad afecta al valor del determinante de X°X. Par ver este desarrallemes el determinante de (X"X) en el caso del plano. Usemos el modelo en desvios: Y=Brmt fim tui Supongamnos la colinealidad imperfecta esté reflejada por los resultados de Ia siguiente regresién: See [Ntese que si los residuos son cero, quiere decir que la colinealidad es perfecta La matrix Pe ey [Lem rdu+) Lomein] 2mm 2a} L Leathe Ie Saguemos el determinants de xx Ta pant de cass ayjtor a evan psn Cava der Amasya ae Tete conoméivien del Institue de Economia de ia Pontificia Universidad Calica de Chile, diciado por Juan Eduardo Coeymmans98 MULTICOLINEALIDAD a olf —_—_—————— < 1) Multicotinealidad perfecta “Si el 1X)_cke = p(X'X) gh) pres (YO Sag 07 J Sustituyendo los términos Ay por los de (CX) en la formula para Brn: 2.2)? ey Bi =|]X;'X; |- Hy a) "ete D) = OM, X)7 fai Us Egon de X a | cern dy MA {Pacinos depo Wa orvsabe Bebe Nota: Apuntes de clases, sujetos a revisiOn, para uso exchusivo de los alumnos del curso de Teorla Econométrica del Instituto de Economia de.ta Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans, Xie AR102 Recordando que para una regresién cualquiera se cumple que e'e = Y'MY, entonces ed > | XM, X ‘SS; de una regresién entre la variable dada por el vector Xj_y el resto de dasexpleaty Por lo tanto: ' > ? 2 2 © o o 7 a var B,= 02 = 7 = => x SS Rss > alk) =3yh As eu, Tayd-R) sy a) Vex = 2X o eke nvar(x;X1-R?) no? (1-R?) > donde R?es el coeficiente de determinacién de una regresién entre X;_y el resto de las vas, Esta formula es muy importante porque muestra de qué depende la varianza én el caso general. Nétese que este resultado es el mismo que habiamos obtenido previamente para el caso de la regresién con X2 y X3. aa varianza estimada def ; se obtiene reemplazando ¢ por su estimador 6: a 2 ny - -R A (n— Ke, (IR) wi -Le m-K donde 62es el estimador de 6? Not: Apunies de clases, sujelos @ reviiGa, para uso exclusivo de los ahumnos del curso de Teoria Econometrica del Instituto de Economia de ls Pootiicia Universidad Catética de Chile, dictado por Juan Eduardo Coeymans.103 La formula dice que una colinealidad alta (un_yalor grande para_R?) puede ser ompensada con un bajo o? o por una alta varianza de la variable X; 0 por un elevado -n, Sila varianza de Xi es muy baja produce el mismo dao que tener colinealidad. De la formula se desprende que Ito, xplicativo, 0 sea bajo o?, puede esti s_bastante_confiables ie li |. En_este_caso_la tan dafiina aso deo 9? es alto o en que var _(Xj)_es_baja. Pi es_que la_colinealidad no puede ser analizada im i Jos otros indicadores: el estimador de o?,n_y la var de ; o ‘ Problemas_numéricos_de_cémputo: el redondeo_ de tigitos puede producir errores Re ve importantes en el i . El caso tipico e8 cuando se usan como vari cualquiera. Este c problema pierde importancia al usar computador que opera con muchos digitos, > ‘Varlanzas (¥ covarianzas) de los estimadores crecen (en valor absoluto), ya que cada e solinealidad,, El clipsoide de confianza se adelgaza y se alarga, aumentando ingvdustes enn sgneaivesyel tea cones siesta, Cuando hay colincalidad, los test t de significancia individual tienden a salir bajos a pesar 5 asa . . La i i no esariamente eleva el poder predictivo o el R2 del modelo, Pt coli lidad_al mismo tiemy 1c jos. En ese caso los tests t ‘Scrdn alin peores que si el R? hubiera sido més alto, X . I; ciém de modelo. Cu: Ja teorii ta y los datos se usan para determinar la especificacién iltima, es importante que especificaciones alternativas no den resultados diferentes para algunos estimadores. O sea es deseable que los estimadores sean “robustos” a cambios de especificacién. i fan fi esi ificacid lel. La formula de la varianza presentada mas arriba sirve para ver el dafio de la colinealidad Sobre ch.test t, Si el cocficiente sale no significative y no hay colinealidad estamos mas Nota: Apunies de clases, sujetos a revisién, para uso exclusive de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.Ss -~9 yAeeyt 104 de_que_la_variable_no_debe_ser_incluida. Pero_si_es.no.significativo_y hay colinealidad, la falta de si; Debe notarse que computar un test t alternativo usando una varianza calculada con R?=0, no es correcto porque al hacer R?= 0 debiera cambiar el valor mismo del coeficiente. ~ Inestabilidad: El_modelo estimado_se observaciones. Los coeficientes estimados cambian abruptamente al cambiar ligeramente la muestra. sere chews eittgorad a Luego: "8 C= By +B2(YP+ YT) + BYP +u=B; + (B2 +Bs)YP + PrYT tu ee El ali elesti ie la combinacién, ede Senses tener baja varianza. 7 Efe acco ory '- Debe tenerse presente que jidad_no_produce ni_hace perder las propiedades a los estimadores MICO. Ellos siguen abe asl ios, si se cumplen los supuestes clisicos. Cualquier método de estimacién generaré. estimadores menos estables si hay colinealidad. El problema no es del método de ” estimacién, es de los datos. Mas adelante veremos qué se puede hacer, aunque no hay una Nota; Apunies de clases, sujetos a revisiGn, para uso exchusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catética de Chile, dictado por Juan Eduardo Coeymans.105 solucién total del problema. Tal vez este es el problema empirico principal que se encuentra en las ciencias sociales por no disponer de un laboratorio que permita hacer experimentos controlados. a inealidad no tiene por qué elevar et R’ si.se.mantiene.cl rango de variaciénde ja). bain las_variables explicativas. Para ver esto conviene recordar la formula del R2 a nivel Poblacional: *'cov xB * 1 le z Up. 92 Req reo? gt AR, do de hase. at \ Up 22 BYcovxp*+o2 « : 5 a Qumie “imeorapey | Ain j bein. Paw & Post * oveb ey xe pest Agh iva definida. Por lo tanto, el término (B’cov(x) B) es una forma cuadratica positiva que se puede escribir como 7 f,f,a, donde los aj corresponden a Tt An los términos de 1a matriz cov(x). Dejando_constante Ja variacién de cada variable de la ‘matriz X, clinealidad significa que los elementos ay fuera de la diagonal de cov(x) PLL © tienden a crecer en valor absolute Anaftcands ol aes te Seo eT talizando el caso de un modelo de regresion con dos sta. Hos variables explicativas, es fécil ver que al aumentar el valor absoluto del winico elemento“ btn v fuera de la diagonal, a2, la doble sumatoria y, por lo tanto, el R®, pueden subir o disminuir, ndiendo de los si s de ay2 y del signo del producto La matriz cov x es pos es colineati 2 El problema de la colinealidad * ela variable dependiente, 0 sea de los otros factores que también, pus hy2) i Ja inferencia, Lo que hay que mirar son las en Cobiali¢ -onclusion sobre la estructura del verdadero modelo. pu fo dee eee Lo que importa no ¢s el hecho de si idad sino 6; Anferencias que hacemos con el modelo y las decisiones que tomamos con los resultados del iia oon ) modelo. ake, ny En algunos casos el hecho de que la colinealidad produzca un pequefio aumento del intervalo puede tener graves repercusiones. En otros casos, un gran aumento puede no ser relevante para obtener determinadas conclusiones. 2.3 (Como se detecta la colinealidad? Aunque no es imprescindible sefialar si existe o no colinealidad per se, es util darse cuenta de su presencia para poder interpretar los resultados de los tests, 2. ue examinan la asociacié: 's Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del cusso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans,106 a) Correlaciones simples entve variables explicativas revelan_colinealidad, Sin embargo, ) Los R2 entre. las explicativas son.més.reveladores, ‘a samnaracin sire BP_uee mue coeficientes pueden verse mas afectados por Ia c¢ 1 c) Factor de inflacién de varianza: — son ortogonals CE a nina ita Pero si RP fuera de verdad = 0, cambiaria el valor del cocficiente y su test t d) Numero_de_condicién: la_razén_entre la_mayor_y la_menor_de_las_raices le caracteristicas de X'X. Valor de”uno significa que las vi vane jes_son_ortogonales,. Valores. cercanos 20'y 36 indican colinealidad "seria". Recuérdese que si una de la raices es ‘cero, Ja matriz es singular y el determinante es cero. ) Existen otros test formales, como el de Rarrary Glauber, -» ar basa so ah Salinmitack vx Estos tests sélo sirven como excusi_para_los_test_t bajos_yno_aportan.mucho. Le : r el sin Jas nferencias que se pueden sacar, Una alta colinealidad no necesariamente impide sacar infereneias con un Interv: fe confianza estrecho. ‘La colinealidad no importa per se sino por sus dafios. La magnitud de estos daiios depende de los otros factores que afectan las varianzas de los coeficientes y de los costos.asociados.s A & f 2.3.2 Tests que consideran Ja variable dependiente: oJ 4 Mon. pee anda oe | = ei: - Elevado R2_al mismo tiempo que test t bajos. Recuérdese que la colinealidad no tiene por ob mabe qué elevar el R2, ae, po te = Kein dice que la colinealidad es seria si el R? entre variables explicativas es mayor que él {all ¢Qo¢ plea ene eto? Test ser significafivos ain en ese cas0 si es alta en relacién a la var de Y o si el n es muy alto. Por qué?: : 7 95 (ER?) ‘Usar la formula de la varianza estimada: ——*——__- (nko? (IR?) wy (* = oe Nota: ‘Apuntes de clases, sujelos a fevision, para uso exchisivo de los ahumnos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catética de Chile, dictado por Juan Eduardo Coeymans.dan 318 29 23 107 ~ Rangoestadistico de la matriz.X, Esto lo veremos més abajo, una vez que hayamos visto el uso de componentes principales, incorporadas al modelo (cuando Ia teorfa es incompleta). Conclusi6n central: La colinealidad no importa per se sino por sus daiios. La magnitud de estos dafios depende de los otros factores que afectan las varianzas de los coeficientes y de los costos asociados a la falta de precisién en los intervalos de confianza, Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.* 108 "Solueiones” ala colinealidad 1) Aumentar el tamafio de la muestra, 2) Aumentarlo en_la direccién de maximizar 1a ortogonalidad de-los datos El problema, es que la mayoria de las veces, a diferencia de las ‘ciencias que hacen experimentos de Jaboratorio, no tenemos. control sobre Jos datos. 3) Transformacién de_datos_a primeras diferencias. El problema ¢s ave ctea.correlacién ‘serial_si_el_modelo estructural que_gener6_los datos _es_en_niveles_y con_errores bien 3. 4) Pueden si tranformarse las variables explcativas sin tocar el error, especialmente, cuando ay rezagos. Asi: Xt +a2Xt2 + aXt-3=aAXt tboAXe2 tbaXts Hay que tener presente que las varianzas (y significancias) que se oblienen de sta regresion se refieren a las variables transformadas. Si a partir de ellastratamos de obtener eereeicmnzas de los coeficientes asociados a las variables originales Uegamos a donde mismo. 5) Uso. de restricciones.exactas Ejemplos: - caso retomos constantes 7 Yestieciones de homogencidad en demanda, en ecuaciones de inflacién, salarios, etc. 4 f oe Peligros de usr restriceiones equivocadas pegToorioyts ods caxpiockt El significado tedri is ede que no sea aplicable al problema que se tiene-a mano, ¢: analizar uso de elasicidades o pardmetros de corte ‘transversal en estudios sree a ane fiempo (caso elasticidades ingreso del consumo; funciones de produccién). Bn todo caso, antes de introducir cualquier restriccién se deberé juzgar sila restriccién es muy ‘un punto de vista estadistico ‘examinando el deterioro dee’ ¢ /(n-k) cuando se -ciones erréneas em general introduce ses; Bil sesgo proveniente de una restriecién ernea se puede obtener sacando valor esperado al vleimeader obtenido sujto a la restriecin, el cual esta dado por la siguiente expresién: 1 ACB ~ oar Apmies de cases, sjetos @ reviibm para wo enclsivo de Tos ahmons, de sno, de Teor, Peonométrica del Instituto de Economia de la Pontificia Universidad ‘Catélica de Chile, dictado por Juan 9 Que ner oriaunbbe, yal ON Fake Eduardo Coeymans.ne 109, Esta expresién es la misma que derivamos cuando examinamos la equivalencia del test general de hipétesis via CB y el test via la comparacién de residuos. 1 iones sobre los estimadores es:_h - Cf = 0. Nb h -€std.reemplazando a CB._ ECB =h y, porlo tanto, EB = Por otro Tado, sila restriccién no es valida, en el caso més comin de vatiables no, ontogonales, EB _# B. O sea los estimadores con restricciones serfan scsgados, No’ gEn a ue.caso no habria sesgo?. Un ejemplo es cuando.hay ortogonalidad entre las variables de, lable. Ya vimos que en ese caso los estimadores de los coeficientes que pertenecen al modelo son insesgados. wveniente introducir una restricciéa a priori errénea a estimar un lib: i6n)_si supera al efecto del sesgo. Tarea: Usando la formula del estimador 5 en funcién fi, demostrar que sien un modelo de k variables explicativas se elimina una de ellas, los estimadores restringidos de los coeficientes de las variables distintas a la eliminada son insesgados si las variables de X son ortogonales. Pista: particionar la matriz X, recordar propiedades de matrices con bloques Giagonales, usar condicién de ortogonalidad y especificar C apropiadamente. Para ver esto, supongamos que queremos estimar el efecto asociado a una determinada variable X, sea 2, y que el-valor_esperado_del estimador de es diferente. segiin si Para eso examinemos las band: obtenido en el modelo libre y en el restringido en funciém del grado de falsedad de la restricci =.0, Estas bandas estan centradas en el valor esperado (desconocido) del estimador ancho depende de Ta varianza. con: con_o? y no con su i -constante. (Si ho de la banda del esti tringido x 1a sobreestimacién de 6). El centro de ambas bandas parte del valor de -Setia creciente por la sobreestimacion de 6?) econo oc ambas bandas parte del valor de B2,.que ¢s igual al valor esperado de ambos estimadores cuando la Testriccion es verdadera. Nola: Apuntes de clases, sujetos @ revision, para uso exclusivo de los alumnos Gel cus ae Teas Feonométrica del Instituto de Economia de la Pontificia Universidad Catdica de Chil, dictado por Juan Eduardo Coeymans.110 El centro de la banda del e (Suponemos que el sesgo €s posi cisonen sh Bandas del estimador adp2 ‘0, lo que no tiene por qué ser asi e -@ 82 Pat oh eter) cor pg? El grafico 1 muestra que mientras més falsa ¢s la restricciGn mayor.es.cl.s¢sg0. Por otro lado, la varianza del estimador libre.es mayor.quela del restringido, La calidad de un estimador obtenido con muestras pequefias se evalia segin cl error cuadratico medio (ECM). En el grafico Il se muestra cémo seria el error cuadratico medio (ECM) de los dos estimadores sefialados junto con la de otros dos que se discuten mas adelante. Grafico Nor: Apunies de clases, sujetos @ revisidn, para wso exchisivo de los alumnos del curso de Teoria Ecouomiriea del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.Dole Ppeee lurker A Onedhe “Um U8 ? to of faa ges ee Puanjle Cen cl Mba! pot. Nery se Aapsh Lp cher cana Pers ali fo At AGL ans fe whl Ae oule) ont wud in bo th. sediteien Pa | @ eyntidedi ty cut Aen. | dt cnr LE pice nustorye dt Grado de falsedad fab pusga ae ty Mn Paty sudo f de la restriccion pound ead Ae unr Or py Sila restriccién es ver el estimador de By (siguiendo con el ejemplo) en el modelo“ ** “” stag cama nid cia Ee ore testes els ge ores i le iemenor.varianza Cuando la restriccién es falsa, cl estimador EI grafico ilustra como un_estimador en_el_caso en que la restriccién es falsa, ‘uede set mejor que uno insesgado (MICO). Este serd el caso si el grado de falsedad de la estriccién est antes del punto A de corte del gréfico de mas arriba. @ De lo anterior se infiere que cuando estamos razonablemente seguros de la restriccién, vale la pena imponerla, ya que el ECM del modelo restringido es menor. El problema surge & Cuando no lo estamos. En ese caso se suele imponer 0 no la restriccién dependiendo del resultado del test de ella. O sea se deja que los “datos hablen.” El estimador asi obtenido se lama Estimador de Pretest, Este estimador de pretest, entonces, ir ¢s.cl estimador obtenido en_une_de_ dos. modelos,,¢l libre © el restringido, segiin el resultado del test F de la sstriccion. orgue su vale esperado-e=-una ponderacién dl Jos dos estimadores recien descritos, el del modelo el del mod gido, Como el del modelo rest gue tiene un componente aleatorio. Nota: Apuntes de clases, sujetos a revisién, para uso exclusive de los alumnos del curso de Teorla Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans, isin.112 El ECM del estimador de pretest puede ser mayor o menor al de los dos estimadores El resultado curioso es que a veces esta estrategia puede producir_un_estimador con mayor ECM gue les otros dos, precisamente, cuando no estamos seguros a priori de que ane ELECM del estimador de B2 de pretest dependera del ECM de cada estimador libre 0 restringido y de la probabilidad de terminar con uno u otro modelo, Si la restriccién es verdadera, existe una probabilidad a (error tipo J) de que se adopte el clo libre y (1. - a) de usar la restriccin (aceptar la HIN). Por eso, 1a mayoria de las _yeces, el estimador resultante. ser igual al del modelo restringido pero, en un Foroeniaje igual a a. seré el estimador obtenido en el modelo libre. En este caso el ECM del de pre test es cercano al det modelo restringido y menor_al del modelo. libre, age ele en. a ‘mayoria de los casos se adoptara el modelo restringido, el cual tiene un menor ECM que el del modelo libre, restriccién es falsa -el modelo libre es el verdadero- existiré una probabilidad igual al ror po (= pode adoptar el modelo restringido -aceptar la HN cuando es ‘Obviamente, falsa sea la restriccion menor seré poder del test, y mayor el_miimero de casos en que se adoptar_¢l_ model rechazara el restringido, Por eso el ECM del estimador de pretest converge al del modelo ‘libre mientras mis falsa sea Ja restriceion, -n_un porcentaje de casos (igual al error “tipo I, que va disminuyendo sila eovietn oe nis fad) seadoiad el estingido y éste tiene @ su vez. gran ECM debido al creciente sesgo, el ECM del pretest converge por arril i M del estum: Nétese que si el error tipo Les cero, nunca se va a rechazar la HN y siempre obtendremos el estringido. timador_de_pretest_seré_igual_al_del_estimad« “restringido. Por lo mismo, si ces uno el ECM sera el del modelo libre. Es la naturaleza dicotémica del estimador de pretest la que genera el error cuadritico medio mayor que el del modelo libre cuando la restricciém es muy falsa. Un.estimador que mantiene los beneficios d elestimador de Stein, Este es un promedio ponderado del estimador restringido y del libre an Mais con.osin restriccién y siempre tiene ECM menor al MICO._ Nota: Apuntes de clases, sujetos a revisiOm para uso exchisivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catolica de Chile, dictado por Juan Eduardo Coeymans.i 113 En Ia literatura se ha sugerido testear si las restricciones se cumplen lo suficiente como para estar a la izquierda del punto A (Toro-Vizcarrondo y Wallace, 1968) DL 5 pa Un método tradicional de aliviar los dafios de colinealidad es imponer_informacién Hay dos grandes métodos. El primer método.es imponer la restriccién como si fuera fija y calcular posteriormente los ectos sobre Ja a de los estimador 9 i donde f, _proviene de otros estudios. kort a s Arn ds. Cov estimadade B,=Vs y Ef, =Bs Supongamos que Vs es cercano a la verdadera matriz de var-cov. Para estimar la regresién sacamos de Y la influencia de Xs O sea estimam: y= KX, J'X'¥* donde: Y* = Y - Xs, El estimador obtenido ¢s insesgado: Br = (XX, }'X,\XeB, +X, +u-X,B,) A= 8b} XB, BY KP Xu Claramente E fi, =B; dsbido a que los estimadores prestados eran insesgados Por otro lado: gO a iS Baw Apuntes de clases, sijetos = revisién, para uso exclusiva de Tos alummos del curso de Teoria Econométrica del Instituto“de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans. | [Lay an ey 78 RN 7a He fillud var( B,)= E(B, BX B, vant =A oe X,Y XlBe B+ GT XH} xu} Multiplicando, sacando valor esperado y haciendo el supuesto que los dos conjuntos de Gatos son independientes (los errores de la muestra que se dispone son independientes de os errores de la muestra de la cual provienen los estimadores prestados, (0 sea E(Bs-,)u' | = 0) se obtiene (hacerlo come ejercicio): 8) {oe xs) x %CPs B+ 0 varl B,)= o2(X,X 1+ KX 1K XV X XK Xe) 7 oe Sonia vor ct ce dats, proloder ~v.1i fur o ae B= 1B, -BoN B, - BY) dre a * mye Nitese que en el segundo témino hay envueltos vectores de coeficientes de regresién entre > Munlablen de la matriz X, y la matriz X;, Si las variables de la matriz X, fueran ertogonales 2, |.) oe y Sab as de Ja matriz X,, Jos elementos de estos vectores serian cero, salvo Ja constante. {Qué implica?. Que el segundo término serd igual a cero para todos los elementos distintos ala ) -sonstante, : Si Vg =00, entonces la informacién es exacta y vert B,.) coincide con Ja var de una regresion ‘en que se us MICO con solo X;.0 suponiendo que la restriccién era verdadera, ) (vy 9? se usa ee de la rej sdores de fi, se obtienen con la informacién prestada asi como con la de la propia Nour Apunics de clases, sjeios @ revisiGn, para uso exchisivo de Jos ahumnes, del cute de Teoria No Apia del Instituto de Economia de la Pontificia Universidad Catiica de Chile, dietado por Juan Eduardo Coeymans.1s Si de otro estudio se sabe que: | a informacion disponible se agrega a la muestra como si fueran otras observaciones: SS ee nauk oi & Py Hy atk % 1 Xa Xe Kira o> Xe VX + Xp Xap Xe ore ra eae eee re -[he 4| i oO) Olt OMe it (01-80) Oe as | 4 Bay or | bs : 0 0 0 Of 1 ae | 8, ae | B, 4 : B, 4, La regresién se hace respecto a todos los coeficientes. f EI problema es que hay que corregit e elementos de uno jenen Ja misma varianza. Para estimar esta regresin necesitamos ver los estimadores de | minimos cuadrados generalizados. -> rtm Cy, MEE oo, nT, SL (ome @ > * El mismo método se puede aplicar para el caso en_que la informacion extraiia se refiere ‘combinaciones lineales de parametros. ene R=CBt+y Economérica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans. | Nota: Apunies de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria116 las filas adicionales de la matriz X iz C, Los elementos de R que se piden prestados son los valores resultaron tudio. ZL -7PSenvk Piel 8) Método de componentes principales de Mundlak une ue son los compon: incipales? El primer componente principal iz,x (x en desvios) ¢s una combinacién lineal de i a e Secu gual uo. Hs ‘componente principal Zz es una combinacié u_varianza_suje i triccién_sobre los ponderadores_ pero ente debe ser ortogonal al primer Z;. Asi sucesivamente se obtienen k-I (por ‘star trabajando en desvios).. Se puede demostrar que el vector ds asi sucesivamente, oan é ais go in » Aas Por lo tanto, el conjunto de componentes principales Z: i (EEA donde A= (a1 a2... ak-1) y.a; = vector propio correspondiente a la raiz 2j e método tradicional de ynentes princiy ‘Sc_puede_usar_los_primeros_componentes principales, ¥_como.s colinealidad pero si hay un problema de interpretacién econémica. Por esa razén se ule criticar esta alternativa. El método de componentes principales de Mundlak (Journal of Econometrics, mayo 1980): Ia intuici6n. La alternativa de Mundlak es eliminar Jos componentes principales no significativos @ a Sy tavés de test F sucesivos aplicados a la hipdtesis nula de que Jos pardmetros de regresion ‘ole en forma conunta no son signiicalive. Los est stan aplicando de menor a mayor test t ficientes de los componentes no el liminados. Por Pan esta razon basta una sola regesion para hacer todos los test F. ( (), Hoa Aine de alsa wjeor a reviia, pan wo enclsivo de los alumbos &l caso de Teoria | Econométrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans.17 En una segunda etapa i i iginales. ‘La matriz varianza covarianza de Jos estimadores finales se obtiene facilmente pues los estim: fin: son_combinacior componentes principales. El lero de componentes no elimir ses el rans i ico delamatizy Sines ¢ elimina ningiin o ide Recordemos algunos conceptos sobre vectores propios aplicados a una matriz simétrica, en nuestro caso seré X'X: /Recordemos que el vector propio ai de X'X se define como: : (XX) aj = ii |E1 conjunto de vectores propios cumple con: a a2 ax] fa 2 - 0 Oy G5 coca 6 o- 0 ANS AVA io mies tea (bee be : 0 ete eka eg Sica (O01 donde A es la matriz de raices caracteristicas de X'X, e [También vimos que A'A = AA! {Premultiplicande por A' ala ecuacién (X'X)A = AA se obtiene la diagonalizacién de XX: JAUXX)A = A'A A= A. Lu pal Ung Xo x nde 200 Le Crieme. exrtided fh crv Derivacién de componentes princinales: rimer ate principal de la matriz X es vector Z; cuyos elementos son i son construidos de tal manera que la Nota: Apuntes de clases, sujetos a revisiGn, para uo exclusivo de los ahimmos Gl caso de Toor Foonomtrica del Instituto de Economia de la Pontificia Universidad Catdica de Chile, dictalo por Juan Eduardo Coeymans.18 varianza de Z sea maxima, sujeta icciés Zy=Xay donde los elementos det vector a; son las ponderaciones del primer componente. Estas ponderaciones son el vector propio de X"X correspondiente ala méxima raiz, Demostremos ‘Que la varianza de Z1 sea méxcima implica que.la suma,de.los.cuadrados de.los.clementos de.Z;.debe ser maxima, En otras palabras: Z\'Z\= _a'X'Xa, debe ser maximo, La restriccién sobre los elementos de a, se impone porque si hacemos crecer a los elementos de a] indefimidamente, Z;'Z; no tendria limite. Por lo tanto, la maximizacién de esta suma de cuadrados se hace imponiendo la restriccién de que ay'a) = 1. ElJagrangeano correspondiente es: $= ay"X'Xaj -_24(a'ay -1) Derivando respecto al vector a} € igualando a cero: 2X'Kay - 2hray = 0 (X'X)ay = ray Por lo tanto, la solucién para a) es precisamente um vector propio de X'X y cl multiplicador de lagrange es la raiz caracteristica. Usando la definicién de Z;'Z; y la solucién encontrada: Zy'Zy = ay'X'Xay = ay" a) = Ay ay'ay = Ay O sea que para un méximo de Z,'Za necesitamos Ja mayor raz. ELsequnde componente se define como una combinaciGn con maxima varianza sujetoa la, LiZ, ay'X' Xap = dyay'ag = 0 => ay’ ap debe ser=0 El lagrangeano: x $= ayX'Xap— he (a2 -1) -p (a's) Nota: Apunies de clases, sujetos a revisidn, para uso exclusive de los alumnos del curso de Teoria Economsétrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.119 El conjunto de derivadas respecto a a2: 2X'Xag- Zaza - pay =0 2ay' X'Xa - 2Agay’ ap - pay'ay=0 Usando la solucién encontrada para ay (era un vector propio): 2dyay'an - 2Raay" ap - pay’ ay =O X Me ees ; BRE ay Usando la restriccién ay" ay= 0: hay'aj=0 => p=0 Por lo tanto, el conjunto de derivadas: Ae 2X'Kay Maar ar = 2X'%ap- 2am = oY ° X'Kag = Azae O sea, ap es tambign un vector propio. Y usando el mismo razonamiento anterior, do d ax ices. ¥ asi sucesivamente se obtienen los k componentes principales. Para visualizar las dimensiones enyueltas, escribamos el componente principal Z; en forma matricial: Z = Xaj Za] [Xn Xa ++ Xu] fau Zi2|_| Xn Xn Xx || a2 Xm Xn2 + > Xone | Lo donde a; es el vector propio de la matriz X’X correspondiente a la raiz La matriz. de componentes principales de X: Z=XA Nota: Apuntes de clases, sujetos a revisién, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.120 Zy Za + Zu) [Xu Xa o> Xu] fan aa o> ae 2 Zn + Z| _|Xo Xo + > Xen] ear an - + Aa Za Zan => Za) Lm Xu + Xml Laer ake o 7 ee donde A ¢s Ja matriz de vectores propios de X’X ordenados_por.el.ranking.de.las.raices = Es facil ver que Jos componentes principales son.también ortogonales: ‘Ahora usemos la definicién de componentes en el caso de una regresién: Y=Xp+u Recordando que A'A = AA'=I,.el modelo se puede escribir: Y= XAA'B+u Y=(XA)A'B tu Y=Zdtu donde Z=XA_yS=A'B. Por lo tanto, no deberd extrafiar que suadrados_de siduos de la rogresién en funcién de Z sea igual a la que se obtendria hacienc io =XB+ a El estimador MICO de.8:, §=@Ozy é n(Z8+uy=5 + AIZ' wa Sila regresién se hace con todos los Z, no hay sesgo.en la estimacién de 6 ni en lade Py se obtienen idénticos resultados. Nour Apuntes de chses, sujelos a revisin, para uso exclusive de Tos alumpos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Cat6lica de Chile, dictado por Juan Eduardo Coeymans.Dado que: d=84N1Z 0 Tye BAZ uyaiz'uy Ds RAZ uvZA7) Ds AMZ eZ Dye o2A1Z'ZAT De o2AAA1 Eyota! Suestimador seré: oe 62a El estimador de o? se puede obtener usando Jos residuos de la regresién en funcién de los X 0 de los Z: (n-k) 62 = Y'(I-X(XX)IXYY = ¥'(I-Z(ZZy ZY Porque: (nk) 62 = YU-ZZZy Izy (n-k) Y'(1- Z(Ay ZY (nk) 62 YC RAAARDY “ook Yea Pie's Pero: (AYIA! = (X°X)-! pore: KK sys cL 5 ae ZZ=A'XXKA= A AN Ocny tc ik F Postmuttiplicando por z l i at AD AA’ soe Premuttiplicando por A: AA'X'XAA AAA! X'X = AAA’= AAA Invirtiendo: Nota: Apuntes de clases, sujetos revisiéa, para uso exchsivo de los alumnos del caso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.122 (xxyl =(AAATY! (xxy T= A(AAy! (xxy = AATAT (XxXy TS AAA’ ‘Si hacemos la regresién en todos los componentes no ganamos nada, El proceso parte rankeando de menor a mayor los test. de significancia de los. yse hacen test F incorporando sucesivamente Jos 6 de menoramayor test El mimero.de.d_que-no elcanza.a.ser eliminado define el rango estadistico deX._ ‘Una vez que se tiene un subconjunto de & es posible recapturar estimadores para B. Particionemos el modelo expresado en funcién de los componentes en dos partes: la primera en funcién del conjunto.de.Z.que queda en.cl modelo (2!) y la segunda en funcién de los componentes que se excluyen después de aplicarlos.testE:, yezisl+ zl allan donde, (3r = [zi zij=z=xA=x[ar an) =[xar Xai] porlotanto: Zi=Xxal gil=xall ‘Nétese que X y Z son de orden. nk, A es de orden kk, Ales de orden kr, All es de orden k(k- ». K(K-1, Dado que en general teniamos: Wem APwios del Instituto de Economia de la Pontificia Universidad Catdlica de Chile dictado por Juan Eduardo Coeymans. iota Apunes o& chases, sujetos @ revision, para uso exclusiva de los alumnos del curso, de |123 seowne [84] =[4n]6=[ 405] Por lo tanto, el modelo original: Y=Zis+ ZU l+u se puede escribir como: Y=XAlS! + XA" 640 Y= XAIA" B+ XAMAM B+ u Al eliminar Z! queda: Y= Zisl+u=XAIAPB+u En ese caso los parametros correspondientes son: Premultiplicando por At: AIA! B = Ala! B=Alsl Por lo que el estimador de componentes principales de Mundlak de B sera: BaA 8! Notese. sue enel proceso no se ha eliminado. pews a de las. variables de la matriz X. Esa es la liferencia entre el func el icional. En este ultimo la -variabl le aul ono queda Enel mod de Mundlakgusdan fogas as no se toma una dcitn cero o uno, sino Jo que se ha hecho ha sido asignar Ja informacién contenida en la matriz X de-rango estadistico menor que k a un conjunto de k variables. Para obtener la matriz var de_f_ y poder construir test sobre los estimadores de B aplicamos la regla usual de matriz, var de combinaciones lineales: Ey - Al S;, AP ‘Nétese que por la propiedad de ortogonalidad 6 es el mismo subconjunto estimado en un principio. Experimentos de Montecarlo han mostrado que para cie1 cuadratico_que a IICO, Pero esto esta todavia en evaluacién, ya que en Nota: Apunies de clases, sujetos @ revision, para uso exclusive de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.124 ejercicios simulados se ha encontrado que con cierto tipo de datos tienen mayor ECM que ™ i \e nN » Waive Un, dh (Num tanldyA doerpusbhos Cony Tarea: Calcular los componentes principales y hacer una regresin con todos ellos. |X. Demostrar que el R? es igual al de MICO. Econometrica del Instituio de Economia de la Pontificia Universidad Catdtica de Chile, dictado por Juan Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Eduardo Coeymans.125 linus Cuudewles enenaliilos ‘Uno de los supuestos que hemos mantenido hasta ahora es que: Euu’ = ol Este supuesto se viola cuando los elementos de la diagonal son distintos o cuando los elementos fuera de la diagonal son distintos de cero: Euu’= 6? Q ae o x Propiedades de MICO si se viola el supuesto de perturbaciones esféricas: Dados los siguientes supuestos: Sp uae Ben ompe Y=xB+u ~ E(u) =0 E(u) =07 Q 6 =B+(xx)'Xu smges cADO var 8 = B{(B- B)(B - BY’) var 6 = E[(@X'X) hu Keon fu ee 058 Gp boo Keo flr var B = E[XX) X'uu'X(CX)] ao Jesh dam opal) hadron wr 9, fons | Vemos que: a) MICO es un estimador insesgado Un bikin dSided ) Las formulas de varianza deben ser.comegidas. eats var Bp =0%(X' MELT Ademés, como se vera mas abajo, MICO no esdeyarianzaminima, 7220 af nm dratngpdo, Da — GD dry Many vy Estimador de MCG 0 GLS_~Y Cueto De den SSTios Be NGG ge om de La estrategia es transformar el modelo para que el error sea bien comportado. "“u* eV Ue age, Ok MICO feb 15 = Sony BONY Nots: Apuntes de clases, sujetos a revisién, para uso exchsivo de los alumnos del curso de Teoria]

POP=A donde Pes _matriz_de_vectores propios y Aes la matriz de_vz jos 0 raices caracteristicas Pre y post multiplicando por P y P' y recordando que PP! = "AP! Como 2 es positiva definida, todos los valores propios son positivos y por lo tanto existe _A'?, Luego podemos escribir: Nota: Apuntes de clases, sujetos a revisin, para uso exchasivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.hey paiar onrdrbes de Ja 095, Canasta, % una matriz raiz de Q que es PA'? La inversa también tiene matriz raiz: atop ay yale Luego el modelo se transforma multiplicando todas las observaciones por T; ae ak a rf ~STY=TXB +Tu=TXB +v at Sy bin . ® Como v es bien cor se puede aplicar MICO a los datos transformados obteniéndose el estimador MCG (0 GLS) | | B =(rxycrm (Tx TY Be 'r'Tx)'x'T'Ty B=(KO"'x)'xO"'Y y (ie B peacoat rep ey oe Bp =p+ (KOH) IKON ab=k h hh Vemos que el estimador MCG es insesgado 4 Cores aie Derivemos su varianza var B = E[(X'2"X) "XO W(KA"X) KAY] var B = E(X'O"Xy'X'OWa"X(XA XY} var B = (X'O"'X)'X'O"'6?AQ"X(K'Q"XY!) var B =o? (XQ"'Xy'X'O"X}X'0"Xy! v Nota: Apuntes de clases, sujetos a revisién, para uso exclusive de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catética de Chile, dictado por Juan Eduardo Coeymans.128 var B =o? (X'Q"'x)" Esta expresién tambi datos transformados: se puede obtener aplicando la formula de var de los MICO a los var B = 07((TX)(TX))" var B =0%(X'T'T)X)'=07 (X'Q"'Xy" Lo ms importante es que tiene var mi insesgados. Este es el teorema de Gauss Markov. A continuacién su demostracién, la cual es similar a la que haciamos para MICO: t Sea i * un estimador lineal altemnbtivo insesgado y sea C matriz de constantes arbitrarias, deordenk.n 4 1s (Kix) XE i lt Be etoco'xy'x'o! . q B= (0c yer + 0). © debe ti Ker, ove pole # B*=('O"'Xy'X'Q" + C] (XB +n) Be= (OX)XO" XB + (XOXO + CXB + Cu om / =8 s0c@ry}x@r'u +CXB +Cu 4A ° Ho =BeCxp EB Por lo tanto para que i* sea insesgado para todos los posibles vectores B se requiere que cCX=0 Esta es una condicién que tiene que cumplir el estimador alterativo para que la comparacién de eficiencia sea dentro de la familia de estimadores insesgados. Por lo tanto: Br =p +oro"'xy'xoa + ch B x) Su varianza: E((B * - BY(B * - B)'] =E((X''X)'X' a + Cuy(X'A"XY'X'Au + Cay] E((B * - BB * - BY) =E((K'OX)"X'2"u + Cay *X(K'A™X)" HCY] Wola: Apuntes de clases, sujetos a revisiOn, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de In Pontificia Universidad Catdlica de Chil, dictado por Juam Eduardo Coeymans.129 E[(B * - BB+ - BY) = ELKA*X)' XO hw" XEAXY" + (XOX XA we + Cuv'X(X'A*X)" + Cuw'C’] BUG * - BB *- BY] = KAX) XA PAA*XKA" XY! XOX) XAFAC + CPFNA™"X(K'ATXY! + Co?'AC EUG * - PUB - By =o? KAY! +o? cemsrec + Fesceer poee 0 %. we pect NEG maa sho E(B * - BXB*- BY] =07 AX)" +07CAC' | hfe “ marae Se i Si © es positiva definida CQC' es positiva semidefinida, => elementos de la diagonal son cero o positives y las varianzas serdn iguales o mayores a las de MCG. Demostracién de que COC es positiva semidefinida: Pre y postmultiplicando por 2’ y Z ack ZICACZ = (Z'C)ACZ) = LAL ve Co cre dds Wn Jordy donde Z es vector arbitrario de orden k.1, C es de orden k.n, Z'C = L’ es de orden 1.k, ZICQCZ es un escalar. Si Q es positiva definida, L'QL sera positiva definida si L es distinto de cero. Como nada impide que L sea = 0, L'OL es positivaisemidefinida,_», Pavjus 2, why AAO, (01 DP? L Yan Auris « Luego los MCG son de varianza minima dentro de los lineales ¢ insesgados. MICO es un caso particular de MCG cuando =I. 204. Por esto que son MELI cuando Q =I. Nota: Apuntes de clases, sujetos @ revision, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans.130 n-k XxB)Q" (vy -XB) n-k Heterocedasticidad Los elementos de la diagonal son diferentes. Yi tarajor de Aico + a-|° “P- gers pos ak “lp 8 5 | parte cpa dubia fs | ey oo ed cbdeloo pollens Le ; Ejemplos en que hay heterocedasticidad: Eprph bo Wskowudastiodd En la mayoria de los casos practicos, la forma de la heterocedasticidad esté dada por la teoria: wy 0 Un ejemplo muy comin es el uso de sversal_c medios que _usan Gistinto niimero de observaciones:, 2 Por mp, he KE, ikea Trent piling: Wapebekb we thMesel ABM he Tee hla oll sticker Pondvely ale Lrenbprlrtyy- a. Jos ‘Supongamos que Y) se refiere al ingreso del individuo j del pais i. Lorwparss fur tiarin & reli. on Aug, En el pais i hay mj individuos. Hay n paises. El yector de errores (que tiene las mismas~— dimensiones que el vector Y) sera: Eomomenca del lnstnto de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan Fos Apmis te chess ties # Tin, parm wo exhsivo de Toe shamans Gt curso, de Teas | ‘Eduardo Coeymans.131 Euv'= 07 {Qué pasa si sacamos promedios para cada pais? sods 4 CS by Exh i pha, i ajo jel sa |= Bi +82 my Sul i al Peto atts aydF Pen Chaney, indie ya ae h Lhe dae, inget O sea, mientras mas observaciones son incluidas en cada pais, menor es la varianza del stror del dato promedio del pais. En ese caso, Ia obtencién de los estimadores MCG es muy simple: Vm 0 + 0 =| 0 se lee : 9 0 0 1m, ont . Yim, (Bi) Xai + Xu TY= TX= a 5 ' Yay Flo ore Xie fae te mK Notas Apuntes de cscs, sijeton 3 eva [Bete cad re para uso exclusivo de los al ggmamérca del Tstinto de Economia de le Hummes det curso de Te Pontificia Universidad Caldlica de Chile, dictado ae /3 132 La forma del vector v = Tu es igual a la del vector TY Los estimadores de MCG se obtienen haciendo la regresién con los datos transformados. Puede haber heterocedasticidad_por_razones empiricas: periodos mAs turbulentos. Una i ios. La otra es ponderarlos a través de MCG. En este caso habrd que estimar la matriz Q., Otro caso muy comiin es el uso de muestras distintas (por ¢). censos distintos). Si se quiere ipstesi Ametros, el test F derivado requiere que cada cer un test muestra tenga el mismo niimero de observaciones. Para esto primero se puede y luego corregir. ‘Veremos a continuacién formas de detectar heterocedasticidad y su correccién. Formas de detectar heterocedasticidad Hay muchos casos en que se puede presumir a priori la existencia de heterocedascidad. Por ejemplo, cl uso de datos que son promedi i ; © tener una muestra que, ir vresas grandes junto con pequefias; 0 datos de consumo de corte transversal que incluyen familias ricas y pobres, donde se espera que los consumos de las familias més_ ns ‘oF varianza; o una muestra con datos de corte transversal en que las unidades de consumo tienen distinta posibilidad de acudir al crédito; ete. En otros casos puede no haber razones a priori para presumir la existencia de heterocedasticidad. Aun en estos casos, ¢s siempre conveniente testear su existencia. Hay varias formas de proceder: La primera forma es el examen de los residuos, ordenados de acuerdo a alguna variable explicativa, o un conjunto de ellas. Se puede examinar a los residuos mismos o a sus cuadrados. El siguiente grifico corresponde a la primera alternativa, que en este ejemplo sevelaheterocedasticidad: Grifico Nota: Apuntes de clases, sujetos a revisién, para uso exclusivo de los akumnos del curso de Teoria Econometrica del Instituto de Economia de Ia Pontificia Universidad Catéica de Chile, dictado por Juan Eduardo Coeymans133 v : La segunda alternativa consiste en graficar los cuadrados de los residuos: co Nota: Apunies de clases, sujetos 2 revision, para uso exclusive de los alumnos de) curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictade por Juan Eduardo Coeymans.134 [base iv ere Cusuebd fa bo re Rn Hib: aa ihe Notese que la banda inferior no es paralela y que, por lo tanto, una regresién de los residuos al cuadrado tendrfa heterocedasticidad. (esta es la critica de Goldfled y Quandt al test de Park y al de Glejser) ‘Aparte de estos métodos grificos, hay otros mas formales: 1)_Testde Park (1966), Supone que: 2 Maper Homey - — Vy donde vi es término estocastico bien comportado Park propone estimar la regresién con como variable dependiente, Ja cual_seria_una aproximacién de ?, en funciénde InX: =Ino? +B InXi+ vi # af Lioga Derylnk G repaid ovibe 2 porgs fey (aipidedbde MGs ALONE S POF i ,bre B sale significativo, se réchaza la HN de homocedasticidad. Este método ha sido criticado por Goldfeld y Quandi porque vi puede ser heterocedistico, como seria el. caso del grafico anterior Noiar Apuntes de clases, sujetos a revision, para uso exclusivo de Tos ahumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.135, 2) Test de Glejser (1969): Sugiere usar los residuos absolutos en vez de los cuadrados Formas funcionales usadas por Glejser: 1) lei] = 1 + m Xi + vi Vi wy ype, We onhsensdtiquls 2) lei]=m +m YX; +vi hose Cumen ak P9. 3) foil = my + m2 (1/ Xi) + vi 4) fell = my + m2 (1X, ) + vi 6) lei] = yn, +X? + vi Si el test t sobre el estimador dem. no rechaza la HN de x: =0, se acepta Ja hipétesis.de Romocedasticidad. ~> 4, ers 7 Goldfeld y Quandt critican; 8) Wi.estd autocorelacionado, b) su.valor.csperado.es distinto 5) li Sin embargo Glejser ha encontrado que para muestras grandes los cuatro primeros modelos dan resultados satisfactorios, Test de Goldfeld y Quandt (1972) Valido para muestras pequeftas. Si la heterocedasticidad esta asociada monoténicamente a una variable Xi, sugieren el siguiente test: #) Qrdenar las observaciones de acuerdo aun Xj, Se puede usar test de Park para clones de acucrdo awa Xi, seleccionar variable X}. ») Omit observaciones centales.yajustar dos ressesiones por Mi ICO a los dos grupos de alos, one abc ’ Note Apacs de class sakes a scviin, para ao sachalvo de ox tmles dot sua Be Toe Fepenatice del Institto de Economia de Ia Pontificia Universidad Catdlca de Chile, dictate poe Sea Eduardo Cocymans.et hw GOD, © Cm 7 & | 138 aya bmben don )y dl ft 4o$-Goughe Noa. Himaudseiud) c) Obtener las sumas de ‘cuadrados residuales. Cada suma de cuadrados dividido por su o se distribuye como 72 con (n-c)/2 -k. Bajo el supuesto de_ausencia de correlacién serial Bajo la HN de homocedasticidad, 9? es el gi ae -K estas sumas son independientes entre si. bye a (n-2/F-H) _ ete Me : en ~ F(n-c)/2 -k, (n-c)/2 - k ) ee ie rua o(@-o/ 2-8 2 Para el test F conviene colocar la suma mayor en_el_numerador para asi poder usar, Pemeate oe valores d able, Notese que bao Nl ies F ssf centtado ena}, 2zJay Corby Pr de Riv El valor de c sugerido a partir de experimentos de Monte Carlo es de 8 para n = 30, 16 para n= 60, etc. Judge et. al. sugieren c= 4 si n=30, c=10 si n=60. -¥ sohnston sugiere c= n/3 ayor sea c, menor es el poder del test Test de White (1980) ot ra 1 endida Godin Otetpy noe le Uns Solo para muestras grandes (vilido asintsticamente), Hea a Gard Tap sna Pa Un | i | I | | | 3 Se usan los residuos de una regresién de e? en funcién de todas las variables explicativas, 4 | sus cuadrados y productos cruzados y se obtiene el R2,_y7.ta_,9° Pripenp BpHpee ge 7 eal 7 felted esién_anxiliar ( atdt 9g Pd i 1 Pome Kr Test de Breush-Pagan (1979) 6 Test sélo valido para muestras grandes (valido asint6ticamente). Este test supone que bajo heterocedasticidad: PaO mR? ~2(h) donde hh es el_ntimero de variables de la re HU: Be gn arapipealen Tour Apunter de clases, sujetos @ revision para uso exchisivo de los ahumnos del curso de Teoria Economsurica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans./, : prs oye ae h(z3) En ese caso o?= hy dla cual es constante. Para hacer el test se siguen los siguientes pasos: 8) Aplicar MICO y obtener resi umpaie & ef ba b) Calcular 6? y la serié: gj = op Choos to “d, gi=Zy+Vi Bajo la HN de homocedasticidad (los Z no influyen): | Vv y EO % (P-1) ~vbyp sno, RSUp a SudN QUE gmake lo Rechazar la HN si SEL > 12555 °) es Z.(no es necesario saber la forma de h) y estimar la regresin Se multiplica el modelo por la matriz T tal como vimos anteriormente, La matriz T se obtiene a partir de la matriz 0 conocida por razones teéricas o bien estimada, Hi. curdurls © real Petthls —»ouintste Para la estimacién se puede hacer la regresion de los e? en funcién de la forma funcional 25 vA Estimacién bajo Heterocedasticdad wii aie erocedaticdad mV" | detectada. _ Siuj= ymemX; ty gherky a) weber Nota: Apuntes, de clases, sujetos a revisién, para uso exclusivo de los alumnos del caso de Teods Enauomrica del Instituto de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan Eduardo Coeymans,sat rd, 7° wen emxit at +2dm ee Bu? = 07 =n, +, Xi+ Ev; =Q\t™ Xi y . londe ot ne 28 fo Loud Baxi , om oie ports & tees, pb Ws TL de aigany Toloudd podemos estimar los parimetros con la regrési6 pete tdaystan fa diged ba sled abide um ele (swe fram |—p 8 ANOOELD'ES AGI, J ltipa) salina -o 2 Wa Wyo ,2 | vPevP +X) ¥° Bu=ot 4X) Fe bur byw 1th i pibionsns tanrand® 8 00 E\ . de bo crumb G0 Fm | Y esto se estima: os - Gy 46g X; 9 9 UMTEr Ge hang ta care obey ay top donde €, 70 on los estimadores de om, y 04m, respectivamente. rn it eR pons od 4 al co Ae rey uz av? (a) +02Xj)? Eu} 203 (a) +02X\)7 Para estimar ct] y 0:2 Glejser sugiere estimar: : . lei] = Gy +02 X; a ea oD ; 1 i 7 «Otva altemativa es usar miéiodos nb lineales y estimar en forma conjunta los B y los pardmetzos que definen la heterocedasticidad. Puede procederse con una malla de valores para los pardmetros que definen la heterocedasticidad y se minimizan los residues del Piielo teansformado, Dentro de esta opcién se incluye la estimacién por maxima verosimilitiud, que veremos mas adelante. | Hoar Apes de clses, sijetos a revision, parm uso exchasive de Tos alumnos del curs, de Teoria wor aluica del Instituto de Economia de la Pontificia Universidad Catéica de Chile, dictado por Juan Eduardo Coeymans.139 Debe notarse que al_usar_estimadores de_la_malriz_ © obtenemos_los_GLS."factibles” (GLSF). Para los GLSF, los res que hemos ob ° jiedades. d los estimadores.GLS tedricos son validos slo asintoticamente, Los resultados en muestras pequefias para GLSF son en general desconocidos, Bajo condiciones bastante generales los tests para muestras grandes. Dependiendo del grado de discrepancia entre © estimado ¢ I, convendré usar GLSF. a i hay heterocedastici se quiere hacer un test? En ese caso el problema es que var fh = o°(X)-'X'OX(KX)-! El término 0°(X°QX), que es el del medio de la expresiém anterior multiplicado por o” , se hy=x/(X°X)'xe La razén de esta correccién se puede intuir si se recuerda que: e=MY donde, M=(I-X(X°X)'X’) e=M(XB + u) Dado que MX = 0 e=Mu SM toh x auth am dan > ony fiaudidicld pt ha Vout Apuntes de clases, sujetos a revisim, para uso exclusive de Tos slumnos del curso de Teoria fj Ree aan ee eee ao Eaomooas d's Ponta Univrdad Cada de Chile, dcade por Juan | [esd Eduardo Coeymans. ones ys vEl elemento t ésimo de la diagonal de E(ee") es: on pet = 0% SGX) =o (1h) 90 bert asbabuldl Por lo tant: comin por ber Tiras Bu Le boa das EL tag oy can ne Hoy Aafsadecde| "iso exclusivo de los alumnos det curso de Teoria Vota: Apuntes de clases, sujetos a revision, para ia Universidad Catélica de Chile, dictado por Juan Econometrica det Instituto de Economia de la Pontific Eduardo Coeymans.141 Este es otro caso en que se viola el supnesto clésico de que Eun! consiste en que los elementos fuera de la diagonal de la matriz.Q son distintos de cero: las. covarianzas entre los errores son distintas de cero. Por lo tanto los estimadores tienen los mismos problemas que vimos en el caso de heterocedasticidad. Aunque generalmente es'un problema de series de tiempo, también puede darse en datos de corte transversal. Ejemplos: en la estimacién de una funcién de adopcién tecnolégica el efecto demostracién del vecino es importante; esto significa que si un parcelero adopta la tecnologia producto de un shock aleatorio en su funcién de adopcién, el vecino también lo hard o seré mas probable que lo haga. Si el fenémeno de “copia” o efecto demostracién no est incorporado explicitamente en el modelo, este efecto se reflejara en que los errores de ambos vecinos estarén correlacionados. Este fenémeno se podré captar visualmente 0 con algun test sobre los residuos en 1a medida que las observaciones se ordenen de acuerdo a un criterio de "proximidad". i Otro ejemiplo que se da cuando se usan datos de serie de tiempo y corte transversal al mismo tiempo, son los efectos de shocks macro comunes a varias actividades. Por ejemplo se estén estimando funciones de produccién por sectores. Si las funciones se estén estimando en forma conjunta y estos shocks macro no estin incorporados en la estructura, los errores observados de las funciones de produccién de distintas actividades estaran correlacionados en un mismo momento. Causas mas comunes: a) Exclusién de variables que a.su_yez estén autocomelacionadas, Si el efecto neto esta también autocorrelacionado, el error también lo estard 9 b) Eommas_funcionales erréneas: ajustar una funcién lineal cuando el modelo es no lineal. Aparecera autocorrelacién sdlo si las variables tienen movimientos monoténicos. b) Exrores. de. medicién de Ja variable dependiente. Es poco probable que los errores de medicién producto de aplicar un criterio erréneo sean aleatorios. Sélo al cambiar de criterio se notaré el problema. Las causas a) y b) sugieren que el mejor remedio para Ia autocorrelacién es una buena especificacién y que cuando se detecta su presencia més que buscar una solucién mecénica debe buscarse una buena especificacién. Asi y todo, hay veces que no es posible resolver el problema mediante una reespecificacién y es ahi donde entra a corregirse mediante las téenicas que desurrollamos més adelante. Nota: Apuntes de clases, sujetos a revisiOn, para uso exclusivo de los alumnos del curso de Teoria Eronométrica del Instituto de Economia de Ia Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans.142, ‘También la correccién por autocorrelacién procede cuando Ia estructura dinamica es tal forma que sale més barato en términos de pérdida de grados libertad representa dicha estructura como un modelo con autocorrelacién con menos parmetros. Esta representacién es un caso particular de las multiples formas de modelar estructuras dindmicas y conviene realizarla cuando, previo test de la restriccién correspondiente, se obtiene un modelo més parsimonioso, simplificéndose el modelo en términos del niimero de parametros a estimar. Representacién de Ja autocorrelacién simplificatorios sobre el patrén de autocorrelacién que implican, en ultimo témino, una reduccién_en_el_niimero de elementos aestimar,.elementos que son determinantes de la forma de la matriz Q. Dependiendo del supuesto sobre el patrén de autocorrelacién procederemos a definir la matriz 620 = Euw', Una estimacién de esta matriz permitiré aplicar GLS. Como veremos més adelante, la estimacién de los 8 y los pardmetros de 62Q puede hacerse en forma conjunta, Antes de proseguir debemos definir algunos conceptos: - La gutocovarianza con rezago s: Ye=EluyUys) $5 0,1, 42,23, 07 ‘Cuando s = ), se obtiene la varianza de los errores u: ‘tiempo, © sea, s6lo importa la distancia temporal entre las dos observaciones pero no importa si es entre 1960 y 1961 0 entre 1980 y 1981. Bajo este supuesto, las varianzas y covarianzas son independientes del tiempo. Por esto podemos escribir: Yn Yar Yaa ‘Yo oa: Apunies de clases sujeos a revisidn, para wo exclusivo de los alunos del curso de Teor Eeonomtica del Instituto Ge Economia de la Pontificia Universidad Catlia de Chil, eta por Juan Eduardo Coeymans, ¥09/143, Coeficientes de autocorrelacién (13); Esta misma matriz se puede expresar en términos de Ios (rs): dado que r= 1 Qperador de rezagos L; Lay= 21 Ve = (Lz) =L 2.1 = 212 Lz, =2_5 s2l LO z= 2 El operador de rezagos puede ser tratado algebraicamente como un escalar. Sia es una constante: La=a Con estos tres conceptos veamos distintos casos de autocorrelacién. ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusive de los alumnos del curso de Teoria ‘Econométrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans.44 __Autocorelacién de primer orden (AR(1)) w= pt tt p ae 309 gakd 4 UAS- 02 =E((vt + prea + p2via + povia +) (Met Pvt pev2+ pv +77) (1 + p2+ pt Hos Apusies Se class, suetos a revision, para uso exclusive de Jos abumnos Gel curso de Teoria No aa dal Instuto de Economia dela Pontificia Universidad Catdlica de Chile, dctado por Juan Eaivardo Coeymans145, Nétese que hemos usado el supuesto de que la varianza es la misma, independiente de t. ‘Ademis es finita. Para esto tiltimo se requiere que p sea menor que uno. jo: Hay que tener cuidado al aplicar valor esperado a una expresién con operador de 2 a aoe cme -Pl rezagos. Por ejemplo si bien es cierto que uj =| =. Larazén es que no se esté aprovechando la propiedad de que -p) las covarianzas entre v's de distintos periodos son iguales a cero. Der p00 duis e QU ob 90 alain , Las covarianzas se pueden obtener facilmente: que Ev? sea igual a a Bugs = B((vi + prea + p2ve2 + p3via +) (Wert pria + paris + Pvis +") & Euater =E{{vit p(vi-rt pvea + paves + p3ves t+] [via + pve + Pri +pva tT} 2 ; yl Buu = pub = PE op be apa a panda al cipdirss ae au n° Her AP nis pf pile IO De la misma forma se demuestra que: law / Por lo tanto, la matriz de varianza de los errores: an ueclrrach (4g fet) PHPomnt RY at 1 ep p lor paraal ke ) Pp 1p pt. ph? ap 2 1 Po rey Warp Euu'= o2|? if po Pp oe pel pis? pat pol | conr supe FEC) el rhvin purabivon. H pep Ses Tota Apunis de clases, setos a revisibn, para wo exclusivo de lo aluranos del curso de Teorla sentonnrica del Instinct de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan Eduardo Coeymans. NY MACY Rap da MAG) Lh al eee. ct t xq hen solo (2) a dace, +04 fleece)Geek Cory PAAR? CORE Coir. MARU Aan Ce Menem Sa: Y= Gi + fexe Bare 140 Si ekwuuct. y= E y= Foe) Ter RI! Wide HUY Von BE = Ye = FOS) +2 Tota ‘ os ce A hae Bxiste una segunda forma de calcular las varianzas y covarianzas que consists en "7 PACH multiplicar la ecuacién para de ut por ut 0 ut-s, sacar valor esperado, y en el caso de covarianzas establecer una relacién recursiva entre ellas y despejar: Por ejemplo, obtengamos las covarianzas y varianzas en el caso de AR(1) de acuerdo a este método: Up= pues + VE UdUe.s = PUriUts + Vtlle-s Butys = PEW es + Bytes ‘Dada la independencia entre vi ¥ Ucs! Eupi.s = PEW its Por lo tanto, se puede obtener Ia siguiente relacién recursiva entre covarianzas: Ys= Pis-1 ‘Apliquemos esta ecuacién a distintos perfodos: 1=PIO= PTE ye= pri = PPR) =P? oe Generalizando: | } | 4 1s= POG | que es el resultado para las covarianzas obtenido anteriormente. Notese que en este caso de AR(1), ts = pS, ya quets= —* Para obtener la varianza de u: UE= pu + Mi | Eu? = E(puei + v)? dav) Dado que wy, no incluye a vt, E(ui1v) = 0, por lo tanto: | Bu? = pEu?, + Eve + 2p Eu?= p?Eu? +Evp | Tota’ Apuntes de cases, sjetos a rvs, para so exclusive dels ahumos del uso de Teoria Ezonomitrica del Instituto de Economia de la Pontificia Universidad Catolica de Chile, dictado por Juan Eduardo Coeymans.a teense tere (yO 7) | Me 1 e& Chey +e > we co 147 FR te te eer do teie2 leat = O a3 = pag to? Kage Por Jo tanto’ 2 + que es el mismo resultado obtenido anteriormente El patrén de autocorrelacién recién visto es un proceso autoregresivo de orden uno 0 ‘AR(1). El proceso puede ser de orden mayor. Caso de AR(2): aso de AR(2) G p= pide + p22 + VE vt bien comportado iL ur pol? ut + vt rarer 7) 2 I-pL-pxl 1-(@,L+p,0) ve (1 + (pil + pal?) + (prL + poL2)2 +...) ur= ve (1 + (Pil + pal) + (pr7L? + p2214 + 2pip2L3) +.. ur=ve + plvtl +p2ve2 +p12v-2 +22ve-4 +2p1pave3 +--+) Dado que ut solo depende de v's: Eu Para obtener las varianzas y covarianzas conviene aplicar el segundo método, Primero veamos las covarianzas (y, como subproducto, los coeficientes de autocorrelacién) urs plc + p2ue2 + vr Unt-s = PIUL-LUt-s + P2U-2Ut-s + Veut-s Eugut-s = piEur1uts + p2Eu-2urs + Ey x 2 % ‘Nota: Apuntes de clases, sujetos a revisiGn, para uso exclusivo de los alumnos del curzo de Teoria Economéirica del Instituto de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan Eduardo Coeymans.148, Por lo tanto la relacién recursiva es: Py is-1+ Pst s-2 Para s=1 y dado que 7, =" y= Pryot Px Despejando 71: Si dividimos por o2 obtenemos el coeficiente de autocorrelacién: ei i iep2 Paras =2: a= Pita * P2Yo Ys=PLYs-1*P2Ys-2 ‘Nota: Apuntes de clases, Eduardo Coeymans. Sujetos a revisidn, para uso exclusivo de los alumnos del curso de Teoria Economiétrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan! | | | 149 ¥3=Pi¥2tP2% 2 ts= prog PL—+p2) +p, Pe 2 1-p2 I=p2 —_—___ Dividiendo por oj: 2 Pi +p2)+ i P2)*P2 ia PL B= LG Tos Y asi sucesivamente se pueden obtener las covarianzas (y autocorrelaciones). Falta obtener una expresién para la varianza de u para este caso de AR(2): Bug =E(PiU,-1 +P2%y_2 + Vi)? Dado que v, es independiente de ut. y uta: Eu? =ppEuj.y +p3Buy_2 +Ev; +2pip271 oF soto} tried +07 +2pip271 Usando el resultado que habiamos encontrado para y1 2 Fu 0 =Pion +P30q +07 +2p 1p ey 2 2 2 2, 2 3, 0p, ~P2~ Fe) =o a 2 2 os, 2 fa _ 2p 1opt ph ZIPs 1-p, Lo que también se puede reordenar y escribir como: Nota: Apuntes de clases, sujetos a revisidn, para uso exclusivo de los alumnos del curso de Teoria Bconométrica del Instituto de Economia de Ia Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.150 3 Pi+P2I Cave idx. 151 Conversién de MA(1) a AR(c): t+ Oe ur=er + OLey u=ex(1 + 6,1) a n us (1-011 = (O1L)? - @1L)3 +++) =e ut = Ort -1 - 017ut-2 + O13up 3 + + et Cc cH @)i El error puede seguir un proceso que combina AR y MA: ARMA(p,q) Nétese que en este proceso los 0} estan restringidos: 6) I= Prue] + prdt-2 +++ + pautcpe et + Oret-1 + Oxet-2+ O3et-3 ori+ + Bgst-g Pho a a de bar iw Nota: Los procesos ARMA estigedifdos para series estaclonarias, como seria el caso de 4p. oo los errores que recién vimos. las series. que. se quieren representar no son 4°.” ionaris i i i El mimero de veces 4a b- que se diferencia define el orden de integracidn de la serie original. Un ARMA aplicado a ” push una serie que es necesario diferenciara.d veces, para que sea estacionaria da origen aun pay, proceso ARIMA (p.d.q), pen Formas de detectar autocorrelacién pee - Método grifico & uP d de Durbin y Watson: (repasar cualquier libro de texto) lla wands a Les Lud Ceplicobucs 3 rages ay esl - 224e, ,2e3 eae as ee £ URC wy DA Supuesto: el test es valido para muestras pequefias pero con X fij © sea no es vilido cuando hay rezagos de la variable dependiente. En este iltimo caso tiende a estar sesgado hacia 2, 0 sea a mostrar que no hay autocorrelacién. El test es para autocorrelacién de primer orden, Beene? * i d=! =2(1-p) Nota: Apuntes de clases, sujetos a revision, para uso exclusive de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.tou autor wygabva fx —| dwg eee ter da, - Test h de Durbin para el caso en que hay rezagos de la vari sutocorrelacién es de primer orden. — Este test es para X estocastico, pero para muestras grandes (valido asint Dado el modelo: Ye=Bo+ Bi Yer + B2 Yr toe + Br Yer + BreiXiet + + BresXrts,t + ut ur= purl #vt__¥~N(0, 071) . Bajo la HN: p=0 ' S acge A AS 465) | dda gy TH I AL 7 alten UL n= tamafio de muestra ~~ youhia ag Tet d de OW var( B;) = varianza estimada de fi, en la regresién por MICO. p= estimador de p. Este estimador de p se obtiene de la regresién por MICO entre et y et-1, donde et son los residuos de Ja regresién por MICO del modelo original. Altemnativamente se puede usar una aproximacién del estimador p que es igual a: 1 - d/2. Obviamente el test se no puede aplicarse si: n var(,) > 1 Test alternativo de Durbim: vélido s6lo para muestras grandes: Se hace una regresién lineal en funcién de todas las variables explicativas y del residuo rezagado: Cel, Yed, str, Xie, ++-Xr+s,0) Siel coeficiente de et.1 es significativamente diferente de cero, usando el test usual de MICO, se.rechaza la hipstesis nula de p = 0. ch-Godfrey (1978 es el aiio de ambos articulos) Ee eee nA Este test es para procesos de autocorselacion de orden mayor que.uno, ‘Nola: Apuaies de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad CatSlica de Chile, dctado por Juan | Eduardo Coeymans. | ets153 & El test se puede aplicar a un modelo que tenga rezagos de la variable dependiente Y¥¢=Bo+ Br Yer *B2 Yea to + Br Yer + Brean to" + Br+sXrts,t + Ut Lahipotesis nula:_u ~ N(, oI) El test es sirve tanto para detectar errores MA y/o AR: AR: ut= piuter + palt-2 + 11° Pput-p 7 Vt MAsup=anets tonet2 tot Gpet-p tet Isando los residuos ex se hace la regresién: et = flet-1. et-2 °° Crop, Yes 0» tery Xity oo Xrts,) El procedimiento sugerido por los autores supone usar las n observaciones en la regresion de et, pero como la regresién se hizo con n observaciones, habrin (2-1) valores para ¢t-t+ (a-2) valores para e1-2, (t-p) valores para et-p, Los autores sugieren lenar con ceros los vactos de la matriz X de la segunda regresién en las columnas de los residuos. Dado que el test es asintético, se puede hacer la regresién de et sin llenar con ceros, perdiéndose las primeras observaciones. 1 Gltimo paso es calcular nR? el cual bajo la HIN se distribuye como 12(p). Si el valor de la 2p) sale sieved Sea a I ton anges UE =O Dl Kyo Ue epltta todo lo FUE prurct Eeplitar , Coug combelenc Mas adelante se vera que este test es una aplicacién del test de multiplicador de lagrange en a ae que se examina el R? de la regresién de residuos de un modelo restringido en funcién de las ee 4 si ables del modelo libre. La restricci6n en este caso es que todos los py los son cero. 9 ¢- oa react Versign alternativa: et = flet-1, et-2, <7" evp Yel 77» Ytrs Xit,o7'Xres,0) Test F sobre los coeficientes de los rezagos de e: pF se distribuye 17. Formas de corregir por autocorrelacion: Caso de autocorrelacién de primer. orden ‘Tenemos que para el caso de primer orden: Nowa: Apunics de clases, setae a revisin, para uso exclusive de los akumnes del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catolica de Chile, dictado por Juan Eduardo Coeymans.1 opp ort e 1 pp pn? a ee Euu'=02 ep lop pol pin? a3 [1 1 op pt, po! Mh oe pm 2 Pp e 1 op : =072 2 1 Pp pr! pa? pa at 1 -p 0 0 -p (itp?) =p ° 0 -P (+p?) =p 0 “Pp 4 . . ‘ . : 0 0 0 0 . -p (+p?) -p 0 0 0 0 -p (l+p?) 0 0 0 0 -p ‘Nota: Apunies de clases, “ujetos a revisin, para uso exclusive de los alumnos del curso de Teoria Ecooomarca dello Ge Economia def Pots Unvesdad Catlien de Chile ictado por san—_| Eduardo Coeymans. Jo o 0 ue i 0 ° : -p ol o 0 0 -p olet'T ji-p? -p 0 QO f ao | 1 -p 0 Ol ae oma ° o 0 00 o Por lo tanto el sistema de observaciones queda: qi-pY, Y2-pY, ty=| ¥3-p¥2 Yn P¥ at oa vine I-p uy, =p u, u,- pu, vy THT) usp |“) ¥5 My Up Ya 155 1 3 ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusive de los alunos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans.roy ik 1-p Xm -PXi2 + X2K “PX TX=| 1-p Xn-PXn +: ; Xun >PXax I-p Xw-PXei2 °° Xnk ~PXn-te Si se excluye la primera observacién, la segunda etapa de GLS equivaldria a e modelo: Ye~ pYt-1 = (1-p)Br + Ba(Xat - PXat-1) + +++ + Be(Xkt - PXk,t-s) + Ve Una forma cltemnativa para llegar a esta misma ecuacién es la siguiente. Para el modelo: Ye= Bit BoXat +700 + BXkt + Ut Ut = puta + Vt ra Rezagando en una observacién: Yeu = Bit BoXata + 20t+ + BX Ft Multiplicando esta ecuacién por p: pYt1=p Bit B2pXt-] +2177 + BKPXk,t + Putt Restando esta ecuacién a la primera se obtiene: Ye- p¥t-1 = (1-p) Bi + Ba(Xat - pXat-1) + +++ + Be(Xet - PXkt-1) + ve Nétese que esta forma de corregir pierde Ja primera observacién. Aunque es la més comin es menos eficiente que la primera forma. Caso de autocorrelacién de segundo orden: Ur = Pruy-1 tpt 2+ Ve Una altemativa es definir Q y obtener la inversa, su matriz raiz, y multiplicar el sistema por !a matriz T. La otra forma es por e! método que pierde observaciones: 1) Yt =Bi + BaXat + +++ + BkXkt +t 2) Yrr= Bit BoX2ta toes + BRXKjer + Ber ‘oma: Apunies de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econometrica de! Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.157 3) Yt-2=Bi + BaXatea t+ o+* + BKXKte + UE? Multiplicando la pentltima por p; y la iltima ecuacién por pp y restando a la ecuacién (1) queda: Ye~prYt-1 ~ P2¥t-2= Bill - pr - 2) + BaXee - prXat-1 - p2Xat-2) + + Bk(Xkt - prXkt-1 - P2Xkt-2) + vt Nota: Apuntes de clases, sujetos a revisiGn, para uso exclusivo de los alunos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Casstica de Chile, dictado por Juan Eduardo Coeymans.158 Métodos de Calculo de i los valores de p se conocieran se podria aplicar GLS facilmente y los estimadores tendrian las propiedades vistas en clase anteriores. _ Estimacién por método iterativos usando regresiones Los sistemas no lineales de ecuaciones se solucionan por métodos que ©” liltinto término tos fferativos, Existen métodos iterativos que no requieren conocer él Vector de primeras sTeivadas ni la matriz de segundas derivadas y que bacen uso ¢e métodos de rezresién en forma iterativa 1. Método general por ctapas:.. E] modelo se puede escribir alternativamente: (1) ¥e- p¥e-1 = Bil - p)* Bat - eX2t-1) + + BK(Xkt - PXkt-1) (2) (Yt- Ba - BaX2e = °° = BicXig) = PCV = Ba = B2X2t- Ie **"" ~ BX.) + Vt | mw rey Si partimos con ‘cualquier valor para_ppodemos estimar. Por MICO el_modelo con las ap. Gm 7 t=0 lo Q! vwod da & (Mico) En la segunda etapa ect imadores ‘estimamos p aplicando MICO a. segunda ecuacién, Y asi sucesivamente. _ FI proceso termina cuando: a) p no cambia significativamente 2 ») cuando los residuos no ipétesis fara esto Se usa cualquiera de los tests rete En general el criterio implementado en los programas ¢5 el 8) eccién de Prais:Winsten:_Usan la matrt i ervacién, Métodos Especificos 1,1. Cochrane-Orcutt., Para AR(I).Se parte pot MICO sin transformay, no se usa la matriz T completa. & parte por MICO sin transformar, y.no te usa la maid OT - aS ¢ p a MICO: Ss Tyme eds ion 2 npn eo tai de os alma | ins Doors Nota: Apis fel Instuto de Economia dela Poaticia Universidad Catiica de ‘Guile dicado pocuan | Eduardo Coeymans.& Gidley #E tee 4 1 -& Kee) ng Co ken( - Pe kee ng j Mer At hare ree Pi li-6-%) 1 Pe (Ke- Cte. A Fee + MU) + Poixg — 6 ye ay. fe Gobet - tok @ tuto do mee) Yee 159 Aqui obtenemos una estimacién de p, el cual se usa para estimar B con la ecuacién (1), Los & ‘de B se usan después con Ta ecuacion (2) asi sucesivamente. 1.2. Durbin EI modelo (1) se puede escribir: Yr= pYt-1 + Bi(1 - p) + B2X2t - pB2X2¢-1 + + BkXkt - PBX + vt Si se estima por MICO el estimador de pasociado a Ye provee un estimador consistente. -p.csté sobre identificado, ya que hay mas de una forma de obtenerlo: a) como el Nétese que, coeficiente que acompafia a Y¢.1, 0 b) como la razén entre el coeficiente de X2x.1 y Xi con signo_negativo, 0 ¢) como la razén enire el coeficiente de cualquier Xie y Kit con signo negative, wo UbAanal fom (quale, fe wneds San Lau ter ELestimador asi obtenido puede proveer el primer estimador de p para iniciar un proceso. Ge ui foro 6 Kue pi wo Leusckes tu lol praiunhos, Este método se puede aplicar facilmente cuando se trata de AR(p). Se rezaga la ¢cuacién un periodo y se multiplica por pj, se rezaga dos periodos y se multiplica por 92, etc. y estas ccuaciones se restan al modelo original. El paso siguiente es similar a lo ya visto para AR(1): se factoriza por cada variable y los estimadores que acompatian a los rezagos de la variable dependiente son los de los distintos p. |.3 Malla inicial para p: El método consiste en partir Jas iteraciones con diferentes valores del ‘Para p, con.una "malla", ~1

la matriz de segundas derivadas o Hesiana respecto a B (y también es la matriz que contiene los vectores gradientes de los gradientes). ‘ Por lo tanto, si eliminamos los términos de orden mayor que dos, se tendra el siguiente sistema como una solucién aproximada: Ze \ ar B-B")=0 % 2 # a a2 Despejando el vector B: ao = eee ane. hae lt One awiB?) , WB) 2 0)! 0. =p? (2 “8 2) owes’) B Q=0 (ceo) EI método consiste en partir de un vector BO y usar la ecuacién (sistema de ecuaciones) anterior en forma iterativa. Nétese que el sistema que hay que resolver cada vez es lineal y 10 nico numéricamente complejo es la inversién de una matriz, lo cual hoy en dia es muy simple. El método converge muy rapido. Para entender mejor el método de Newton apliquémoslo a un caso simple de una dimensién, Queremos minimizar: St fa cevada ej W(B) = 28? - 48 donde Bes un escalar c WE) «apa 7 - v 9 a Fo" So wore sth & x La solucién es B =I aoe ‘Veamos si Ilegamos a este mismo resultado por Newton: thes Ourerg ec De eek 82 we ucts GP tuqa + ce uy lade => Reta ¥ de J pode Pade. Si partimos de B= 5 ‘Note: Apantes de clases, sujetos a revisin, para uso exclusivo de lov amos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.ony 162 B=5 -(1/4) 16 En este caso se logré el dptimo en un paso porque la expresién era cuadritica. pasado independiente del valor inicial de partida habria Pero si la expresién fuera cibica se requieren mas iteraciones. ‘Veamos otro ejemplo. Se desea maximizar: W(B) = B3 - 382 +7 ‘Sabemos analiticamente que el dptimo es B = 2 ya que conocemos la soluciéa de: El sistema no convergié. Esto ilustra uno de los problemas del método. Hay que tener cuidado de no usar valores de partida que imptiquen segundas derivadas iguales a cero. En el caso miiltiple bay que tener cuidado que los valores de partida no impliquen una matriz Hesiana singular. Debemos partir de otro valor. Supongamos = 4 awn? 8 ‘Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los afumnos del curso de Teoria Economia del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans. = 3B? -6B=48-24=24163 ugh) owe) =4-(1/18)24 = 2.66667 Evaluemos para B = 2.66667 owe) = 3B? -6B= 3(2.66667)2 - 6(2.66667) = 5.33337 ae © 2B B=p? {2" Evaluemos para B = 2.13333 = 3B? -6B= 3(2.13333)2 - 6(2.13333) = 0.85331 (==). 6B-6 = 6(2.13333) - 6 = 6.79998 Gi : -1 Bxp (@) ao) = 2.13333 - (1/6.79998)-(0.85331) = 2.00784 ‘Vemos que a la segunda iteracién ya esta muy cercano a la solucién, En el caso que hay més de un pardmetro B se van resolviendo sistemas lineales en cada aso y cada solucién va proporcionando valores para el vector B que entran en la iteracién siguiente ‘Nota: Apuntes de clases, sujetos a revisidn, para uso exolusivo de [os alumnos del curso de Teoria ; Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.164 Resultados de estudios de Monte Carlo sobre métodos de estimacién: 1) Griliches y Rao: Conviene corregir cuando p estimado es mayor que 0.3 cuando n 20, Sin mayor que 20, conviene corregir para p incluso menores. 2) Engle: Si la autocorrelacién es de orden mayor que uno, puede ser preferible no corregirla a corregirla suponiendo AR(1). 3) Hildreth y Lu o Maxima verosimilitud producen mejores estimadores del verdadero coeficiente que el método de Durbin o Cochrane-Orcutt 4) No corregir por la primera observacién en muestras pequetias produce serios errores, 10 asi si la muestra es grande. 5) _ Elmétodo de Durbin con Prais Winsten es mejor que Cochrane-Orcutt 6) _ Laperformance de las distintas técnicas es sensible a la forma de la matriz X. Es posible constrair sus propios tests. La experiencia indica que los errores de especificacién de la estructura dinémica tienden a mostrar autocorrelacién. Antes de aceptar autocorrelacién es preciso descartar otros problemas. Para esto es recomendable seguir la siguiente secuencia de tests: 1) __ Descartar errores de especificacién Qué se puede hacer para testear un error de especificacién?: Sielerror es por exclusién de un conjunto Xi de variables explicativas 1.1) Incluirlas y estimar ¥ = XIp! + XMpU+u ‘Test F para la HIN que BU =0 1.2) Estimar la regresién sin inchair XU: Y=Xx!fl+e! Posteriormente estimar la regresién: el apxl+ 8xF ay Testear 5 =0 Nota: Apuntes de clases, sujetos a revisibe, para uso exclusivo de los afumnos del curso de Teoria Boe Abticn del Instinto de Economia de la Pontificia Universidad Catéica de Chile, dictado por fuan Eduardo Coeymans.el test rechaza la HN y se acepta que 6 es distinto de cero indica error de especificacién. Notese que esta regresién debe incluir a X1, La razén es que si XM pertenece al modelo y hay colinealidad entre X! y XU, laregresién entre el residuo el y XM, excluyendo Xt, estaria subestimando la influencia de XH. Si no hay informacién sobre X1l el test se puede hacer usando proxies de X41. 13) Test de RESET ("Regression Specification Error Test). Este test sirve para testear forma funcional y exchusiéa de variables. a) ‘Se hace regresiin entre la variable dependiente por un lado y las potencias de valor estimado de la variable dependiente mas las variables de la matriz X. b) Test F de la restriccin de que ¥ no depende de las potencias de Y estimado. Si el test rechaza la nula, puede deberse a forma funcional mal especificada o a omision de variables. Siel conjunto Z refleja 0 es proxi de variables excluidas, se introducen en ln, regresién y se bace el test F tradicional. Una versién més general es incluir no sélo los cuadrados, cubos, cuarta potencia de los valores estimados de Y sino también de cuadrados, cubs, etc. de las X. Un grifico del residuo contra el valor estimado de Y permite detectar visualmente mala especificacién funcional. RESET es mis adecuado para forma funcional que para omisién. 2) Test de estabilidad que vimos (residuos recursivos, cambio estructural, parémetros recursivos, ete.) 3) Testear AR(1) versus AR(p). Esto se puede hacer usando test de log de maxima verosimilitud que veremos més adelante. 4) Test errores independientes versus AR(1) Nota: Apuntes de clases, sujeos a revisiOn, para uso exclusivo de los alumnos del curso de Teoria Econometrica del Instituto de Economia de la Pontificia Universidad Catolica de Chile, dictado por Juan ‘Eduardo Coeymans.0 166 1. Hlementos de Teoria Asintética Muchas veces no se puede conocer el valor esperado o la varianza muestral de un estimador para un tamaio muestral definido. Sin embargo, es posible obtener resultados ac distribucién del estimador a medida que crece el tamaiio muestral. Por ejemplo, que Ja distribucién de la media muestral tiende a_una normal a medida que crece_, independiente de 1a distribucion de las oObservaciones individuales, El conocimicnio conducta de la distribucién en el limite, a medida que crece n, puede usarse ara ot una distribucién aproximada del estimador en una muestra de tamafio necesitamos algunos resultados so sre convergencia de variables aleatorias. La conducta en el limite esta referida al tamafio muestral, el cual puede distribucién de la variable aleatoria. oe ; an Si definimos la vecindad de una variable aleatoria o un estimador 6, (que depende den) en tomo al parémetro ® como 8 + ¢, entonces la expresién: Pr(® -e< 6n<8 +£)=Pr(|On- 8] 2)=0 n30 9 ‘Now: Apuntes de clases, sujetos a revisidn, para uso exclusive de i0s akumnos del curso de Teoria | Economica del Insinao de Economia de la Pontificia Universidad Calica de Chile dctdo por Ju | ‘Eduardo Coeymans.167 En forma compacta se escribe: lim On En palabras, esto significa que haciendo n suficientemente grande podemos hacer que la probabilidad de que 6 n esté en un intervalo arbitrariamente pequefio alrededor de 0 puede ser tan cercana a uno como queramos. La convergencia en probabilidad implica que a medida que aumenta n se hace més probable que 6n tome valores cercanos a0. La masa de la distribucién se va concentrando en los valores cercanos a 0. in Dr aca ce S Grafico Si Ones un estimador y plim6n = 0, 6p ¢s un estimador comsistente de 0. i ia caadratica: Un estimador cuyo sesgo y varianza tiendan a cero, 0 sea que su error cuadratico medio tienda a cero, es consistente. Osea, si lim E(6n-6=0 a entonces 6 ¢s un estimador consistente de 0. cuadratica, también converge en probabilidad, aunque lo contrario no necesariamente es valido: La ion ai % ia_cuadratica i en probabilidad se basa en la desigualdad de Chebycheb, la cual a su vez se desprende de la desigualdad e Markov: Ladesigualdad de Markov establece:, 4S a 1) Pr(X, 28) SE(Xiy/ 8 4 A Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los alumnos del curso de Teoria Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan Eduardo Coeymans.e) 7 168 Reemplazando X, por (X, - EX,)" y 8 por €° se tiene: | 2) Pr((X_- EX)? > 6) SEX, - EX,)'/e? | | Pero (Xq- EX,)* > €? implica que [Xq - EXs|>€ Por lo tanto: 3) Pr([Xn- EXa] > €) SE(Xq- EX,)"/ 6? | | que es la desigualdad de Chebychev, la que también se puede escribir como: 4) Pr([Xq-EXa] >€) So,?/e? Cuando el limite de EX, es 11 (0 sea el sesgo tiende a cero) y Ia varianza tiende a cero, la ecuacién 4) implica: lim *?x((X_- p] >€)=0 por lo tanto plim X4= p. Ejemplo 1: Si los valores de una variable X se han sacado aleatoriamente de cualquier distribucién con media p: y varianza 62, entonces: EX, =45 va(X,)=07/n Claramente plimEX,=} yaqueX, es un estimador insesgado y su varianza tiende a cero. O sea que la media muestral es un estimador consistente de debido_a_la convergencia en media cuadritica (que el ECM tienda a cero). Como ya se dijo, esto ultimo es una condicién suficiente de consistencia pero no necesaria De hecho, un estimador puede ser consistente aunque su error cuadritico medio no tienda a ero, Esto se puede ver en el siguiente ejemplo: a Nota: Apuntes de clases, sujetos a revision, para uso exclusive de les alumnos del cuno de Tools Econometrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan Eduardo Coeymans. }