Professional Documents
Culture Documents
DIVISIÓN ECONÓMICA
DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS
DIE/01-2003-NT
NOTA TÉCNICA
JUNIO, 2003
Documento de trabajo del Banco Central de Costa Rica, elaborado en la División Económica,
Departamento de Investigaciones Económicas
Las ideas expresadas en este documento son responsabilidad de los autores y no necesariamente
representa la opinión del Banco Central de Costa Rica
TABLA DE CONTENIDO
I AUTOCORRELACIÓN………………………………………………………………… 3
II. MULTICOLINEALIDAD………………………………………………………………. 9
III. HETEROCEDASTICIDAD……………………………………………………………..14
V. TÉCNICAS DE COINTEGRACIÓN…………………………………………………...31
Este campo queda sujeto para ser ampliado con temas más avanzados en un futuro
cercano.
1
TALLER PARA EL USO DE
E VIEWS
Departamento de Investigaciones
Económicas
AUTOCORRELACIÓN Y
MULTICOLINEALIDAD EN LOS
MODELOS DE REGRESIÓN
DEPARTAMENTO
INVESTIGACIONES ECONÓMICAS
Mayo, 2003
DIE 1
2
z I. AUTOCORRELACIÓN
DIE 2
I. AUTOCORRELACION
DIE 3
3
I. AUTOCORRELACION
z DETECCIÓN (7 pruebas)
z 1. Gráfico de los residuos de regresión
z resid vs tiempo (doble clic sobre resid, View/Graph/line)
z residt vs residt-1 (doble clic sobre resid, Quick/Graph/Scatter;
agregar resid(-1) en la caja de diálogo)
z Para identificar patrones de autocorrelación, comparar con
gráficos estilizados de Gujarati (pág. 395):
z 2. Durbin Watson (DW)
z Válido para autocorrelación serial de 1° orden en los residuos
z No aplica para modelos con variable dependiente rezagada
(VDR) como variable explicativa
z Ho: ρ=0 (ausencia autocorrelación: ut = ρut-1 + et)
z H1: ρ<0 (aut. – ) ó ρ>0 (aut. +)
z Valor crítico (automático en EViews)
z Valor tabular (tabla DW de Gujarati, pág 800)
DIE 4
I. AUTOCORRELACION
Regla de decisión
Indecisión
dL d
du 2 4-du 4-dL
DIE 5
4
I. AUTOCORRELACION
z 3. Durbin h
z Válida para modelos con VDR como variable explicativa
z Detecta autocorrelación serial de 1° orden en los residuos
z h=(1-0.5d){[n/[1-n(var(βi))]}0.5
z En muestras “grandes”, h ~asint N(0,1)
z EViews no incluye esta prueba (programa JLM)
z Regla de decisión
h>1.96 RHo (aut. + de primer orden)
h<-1.96 RHo (aut. - de primer orden)
Yt en 1, X1, X2, Yt-1 Æ ut
-1.96<h<1.96 NRHo ut en 1, X1, X2, Yt-1, ut-1 Æ R 2
DIE 6
I. AUTOCORRELACION
z 4. Correlogramas
z Es uno de los mejores test cuando “n” es bajo
z Los correlogramas de la función de autocorrelación simple y
parcial se generan en EViews desde la ventana de la
ecuación estimada: View/Residual Test/Correlogram-Q-
statistics
z Deben especificarse los rezagos en la caja de diálogo
z Regla de decisión
z Si las barras están dentro de las bandas de confianza Æ NRHo (5%
signif.) Æ no hay autocorrelación
DIE 7
5
I. AUTOCORRELACION
z 5. Q de Lung-Box
z Prueba más general para autocorrelación tipo ARMA
z Q~asint Chi2 con r-p-q grados de libertad, donde:
z r: g°l de la distribución Chi2 (arbitrario)
z p y q: órdenes del proceso de autocorrelación que se quiere probar
z Ho: ausencia de autocorrelación
z H1: autocorrelación ARMA(p,q)
z Se genera en EViews desde la ventana de la ecuación
estimada:View/Residual Test/Correlogram-Q-statistics
z Deben especificarse los rezagos en la caja de diálogo (se
computa un estadístico Q y su probabilidad asociada para
cada rezago).
DIE 8
I. AUTOCORRELACION
z Regla de decisión
z Probabilidad de cada Q < 0.05 Æ RHo Æ hay
autocorrelación
z Este resultado debe concordar con barras del
correlograma fuera de las bandas de confianza.
DIE 9
6
I. AUTOCORRELACION
z 6. Prueba de las “rachas” (runs tests)
z Def: “racha” es una secuencia ininterrumpida de un mismo
signo (+ ó -) en los valores de la serie de los errores.
z Prueba si el número de “rachas” (k) es “alto” o “bajo” respecto a
una secuencia aleatoria (“ruido blanco”) de k.
z Ho: ausencia de autocorrelación (“rachas” aleatorias)
z H1: autocorrelación
z EViews no calcula la prueba (programa OKC)
z Sean n1 numero de errores + y n2 número de errores -
z Bajo Ho y suponiendo n1 > 10 y n2 > 10, k ~asint. N( ), con:
z Media: E(k)=(2n1n2/(n1+n2))+1
z Varianza: σ2k=[2n1n2(2n1n2-n1-n2)]/[(n1+n2)2 (n1+n2-1)]
z Regla de decisión:
z E(k)-1.96 σ2k < k < E(k)+1.96 σ2k Æ NRHo
z Si k está fuera de esos límites RHo (hay autocorrelación)
DIE 10
I. AUTOCORRELACION
DIE 11
7
I. AUTOCORRELACION
DIE 12
I. AUTOCORRELACION
DIE 13
8
z II. MULTICOLINEALIDAD
DIE 14
II. MULTICOLINEALIDAD
DIE 15
9
II.1 Multicolinealidad perfecta
z SOLUCIÓN
z La solución práctica es eliminar la variable explicativa que
causa este problema
DIE 16
DIE 17
10
II.2 Multicolinealidad imperfecta
DIE 18
DIE 19
11
II.2 Multicolinealidad imperfecta
z 3. Matriz de correlación
z Se calcula en EViews desde la ventana de la ecuación estimada:
Procs/Make Regressor Group, lo cual crea un objeto grupo con todas
las variables del modelo (incluida la variable endógena). Luego se pulsa
View/Correlations/Common Sample.
z Regla de decisión: correlaciones cercanas a 1 o -1 indican multicolin.
z Conviene también calcular el determinante de la matriz: se pulsa
View/Group Members; se borra la variable dependiente y se pulsa
UpdateGroup. Se asigna un nombre al grupo pulsando Name y se
escribe en la línea de comandos sym mcorrel=@cor(<nombre del
grupo>) y se pulsa la tecla Enter. Finalmente se calcula el determinante
escribiendo en la línea de comandos scalar detmcorrel=@det(mcorrel) y
se pulsa la tecla Enter. El valor del determinante se mostrará en la parte
inferior de la pantalla (línea de estado) al dar doble clic sobre el objeto
detmcorrel. Si su valor es cercano a cero habrá indicios de
multicolinealidad.
DIE 20
DIE 21
12
II.2 Multicolinealidad imperfecta
z SOLUCIÓN
z Tentación de eliminar la variable colineal, PERO: sesgo
de especificación del modelo
z Datos nuevos o adicionales (ampliar “n”)
DIE 22
DIE 23
13
III. HETEROCEDASTICIDAD
DIE 1
DIE 2
14
III.2 Heterocedasticidad y la estimación de MCO
DIE 3
DIE 4
15
III.3 Heterocedasticidad : identificación
DIE 5
DIE 6
16
III.4 Heterocedasticidad : ARGH y GARCH
DIE 7
DIE 8
17
III.4 Heterocedasticidad : ARGH y GARCH
yt = Xt β + εt
εt ∼ (0, σ2t)
σ2t = ω + γ(L) ε2t+ λ(L) σ2t
DIE 9
DIE 10
18
Análisis de integración
Análisis de integración
21
Análisis de integración
Análisis de integración
z Cointegración
z Corrección de errores
z Vectores de Johansen
22
Análisis de cointegración
Estadísticamente…
23
Económicamente….
¿Por qué?
24
Análisis de integración
Análisis de Integración
25
Análisis de integración
X t = α + µt
z No depende de sus valores pasados,
solamente de un término aleatorio “U”
z Todo choque es transitorio y tiende a
desaparecer en el tiempo.
Análisis de integración
26
Análisis de integración
X t = X t −1 + µt SCST
X t = α + X t −1 + µt CCST
X t = α + X t −1 + βT + µt CCCT
X t = X T −1 + βT + µt SCCT
DIE TALLER PARA EL USO DE EVIEWS 14
Análisis de integración
VIEW/GRAPH/LINE
27
Análisis de integración
Análisis de integración
X t = α + ρX t −1 + et
z Si ρ = 1 ⇒ I (1)
z Entonces H 0 : ρ = 1
H 1 : ρ 〈 1
28
Análisis de integración
X t − X t −1 = α − (1 − ρ )X t −1 + ε t
∆ X t = α + γ X t −1 + et
z Efectuamos la prueba: H 0 : ρ = 1
H 0 :γ = 0
Procedimiento en E Views
29
Procedimiento en E Views
Técnicas de Cointegración
30
Modelos de corrección de errores
31
Modelos de corrección de errores
z Interpretación de MCE:
z La variable y puede cambiar entre t-1 y t, en
respuesta a variaciones en la(s) variable(s)
explicativa(s), x, entre t-1 y t, y también para
corregir cualquier desequilibrio que exista en el
periodo previo.
32
Método EG de 2 etapas
z Etapa 1:
z Verificar que las variables (y, x) son I(1).
z Estimar con MCO el modelo con los niveles
de las variables I(1).
z Salve los residuos (resid) con otro nombre
y realice el test de raíz unitaria.
z Si los residuos son I(0), entonces (y, x)
cointegran, es decir, tienen una relación de
largo plazo.
Método EG de 2 etapas
z Etapa 2:
z Utilice los residuos de la primera etapa como una
variable en el MCE.
Λ
∆yt = β1∆xt + β 2 ( yt −1 − ϕ xt −1 ) + ε t
Λ
33
Método EG de 2 etapas
Método EY de 3 etapas
34
Método de Johansen
yt = β1 yt −1 + ... + β k yt − k + ξ t
Método de Johansen
k i
donde : Π = (∑ β i ) − I g Γ = (∑ β j ) − I g
j =1 j =1
35
Método de Johansen
Método de Johansen
36
Método de Johansen
37
VECTORES AUTO REGRESIVOS
VAR
Departamento de
Investigaciones Económicas
DIE 1
VAR
DIE 2
38
Ventajas
DIE 3
Desventajas
DIE 4
39
VII. REPRESENTACIÓN ESTADO-
ESPACIO Y EL FILTRO DE KALMAN
DIE 1
z Visualización gráfica
z Generalidades
z Proceso a estimar
z El algoritmo
z El filtro de Kalman y la notación estado-espacio
z Modelos estado-espacio y el filtro de Kalman en
EViews
DIE 2
40
Estado-
Estado-espacio y el filtro de Kalman: relación
Representación estado-espacio
Permite abordar modelos
de series de tiempo
Conjunto de ecuaciones
que proveen una
solución reucursiva Diversos algoritmos
eficiente del método de
mínimos cuadrados
Conjunto específico
de instrucciones
Filtro de Kalman para resolver un
procedimiento
DIE 3
z BS y MS en MIT
DIE 4
41
El filtro de Kalman: generalidades
DIE 5
DIE 6
42
El filtro de Kalman: proceso a estimar
DIE 7
DIE 8
43
El filtro de Kalman: el algoritmo
Xˆ *
k = AXˆ k −1 (2) Actualiza la estimación con medida Z(k)
Estimaciones
iniciales para
Xˆ k −1 y
Pk −1
DIE 9
DIE 10
44
El filtro de Kalman y la notación estado-
estado-espacio
DIE 11
DIE 12
45
El filtro de Kalman y la notación estado-
estado-espacio
9 Zk = MkXk +vk
Zk medida de observación al momento k
Mk matriz que relaciona los estados con la medida
Xk vector estado al momento k
vk error de la ecuación de medida, independiente y con
distribución normal
DIE 13
y 2 −1 ε ε
Xt = t , Φt = , Wt = t , M'=[1 0] , Vt = t
yt−1 1 0 0 0
DIE 14
46
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 15
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 16
47
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 17
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 18
48
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 19
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 20
49
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 21
Modelos estado-
estado-espacio y el filtro de Kalman en EViews
DIE 22
kikutva@bccr.fi.cr sanchezrm@bccr.fi.cr
laverdema@bccr.fi.cr torresgc@bccr.fi.cr
leonmj@bccr.fi.cr solerara@bccr.fi.cr
munozse@bccr.fi.cr
50
K:\AAA-Secretarias-Dirección\A-Investigaciones\D-Notas Técnicas\B-Notas Técnicas 2003\DIE-01-2003-NT-NOTA TECNICA-
ASPECTOS TEORICOS SOBRE VARIOS TEMAS ECONOMETRICOS1.doc