El Modelo Lineal

Román Salmerón
Departamento de Métodos Cuantitativos para la Economı́a y la Empresa
Facultad en Ciencias Económicas y Empresariales
[Link]
romansg@[Link]

] Consecuencias:
1. Especificación del Modelo Lineal 2 ≤ R2 .
 RR
 SCR = ete ≤ etReR = SCRR.
Estudio de una variable dependiente a partir de k variables independientes (con constante) 2 etReR
a partir de n observaciones. σ
bR = n−k+q .

E[un×1] = 0n×1 ( ya que E[ut] = 0 ∀t ) (etReR−ete)/q
  Rechazamos H0 : R · β = r si ete/(n−k) > Fq,n−k (1 − α).
2 · Id

V ar(u ) = σ


 n×1 n×n
,→ V ar(ut) = σ 2 ∀t, Cov(ut, us) = 0, ∀t 6= s


yn×1 = Xn×k · βk×1 + un×1 6. Multicolinealidad

 X no aleatoria con rg(X) = k
,→ Xi, i = 1, . . . , k, linealmente independientes


El problema de multicolinealidad consiste en la existencia de relaciones lineales entre dos o


X y u incorrelados

        más variables independientes del modelo lineal uniecuacional multiple.
Y1 1 X12 X13 · · · X1k β1 u1 ] Multicolinealidad perfecta o exacta: la relación lineal es perfecta.
 Y2   1 X22 X23 · · · X2k   β2   u2 
y =  . , X =  . . = (i X · · · X ) , β = , u =  .  La matriz X no es de rango completo por columnas, esto es, rg(X) < k. Entonces
. . 2 k .  .. 
     
. . . . .   . 
es imposible obtener una solución única para β. b
Yn 1 Xn2 Xn3 · · · Xnk βk un ] Multicolinealidad aproximada: la relación lineal es aproximada.
 No se incumplirá la hipótesis básica de que la matriz X sea completa por colum-
2. Estimación del Modelo Lineal nas. Sin embargo, el determinante de X tX será muy próximo a cero, por lo que (X tX)−1
tenderá a tener valores altos y se obtendrán estimaciones inestables.
Estimación de las cantidades constantes del modelo. ] Causas:
−1 t
] βb = X tX


X y estimador por MCO de β  relación causal entre variables explicativas del modelo.
 Ta Gauss-Markov: βb es un estimador lineal, insesgado y óptimo (mı́nima varianza)  escasa variabilidad en las observaciones de las variables independientes.
2 t

−1  reducido tamaño de la muestra.
 V ar(β)
b =σ · X X
n ] Soluciones:
 Consecuencias estimación MCO: it · e = et = 0, X t · e = 0, Y = Yb , ybt · e = 0.
P
 mejora del diseño muestral estrayendo la información máxima de la variables ob-
t=1
t \b
−1 servadas.
2 e e 2 t
b = n−k estimador insesgado de σ (e e es la SCR) ⇒ V ar(β) = σ
]σ 2 t
b · XX  eliminación de las variables que se sospechan son causantes de la multicolinea-
2 y ty−βbtX ty lidad.
σ
b = n−k
 en caso de disponer de pocas observaciones, aumentar el tamaño de la muestra.

3. Validación del Modelo Lineal

7. Heteroscedasticidad
Herramientas para determinar si la estimación realizada es o no válida.
Cuando se incumple el supuesto de homocedasticidad, es decir, la varianza no es constante
] Coeficiente de determinación (R2): porcentaje de variabilidad explicada por el ajuste
sino que varı́a con la observación (E[u2t ] = σt2 = σ 2 · wt, ∀t), se dice que hay heteroscedasti-
(estimación) realizado del modelo.
2 cidad.
2 SCE SCR 2 βbtX ty−nY y ty−βbtX ty
 R = SCT = 1 − SCT ⇒ R = t 2 =1− t 2 ] Este problema aparece especialmente cuando se disponen de datos de sección cru-
y y−nY y y−nY
 Siempre que el modelo tenga constante: 0 ≤ R2 ≤ 1. zada.
 Cuanto más próximo a 1 mejor será el ajuste. ] La consecuencia de la presencia de heteroscedasticidad en un modelo lineal es que
 El coeficiente de determinación será significativo (es decir, validará el modelo) los estimadores obtenidos aunque serán lineales e insesgados no serán óptimos.
siempre que sea superior a la siguiente cota: ] Procedimientos de Detección:
k−1 · F
 Gráfico de los residuos.
n−k k−1,n−k (1 − α)  Gráficos de dispersión de los residuos frente a la variable que se sospecha pro-
k−1
.
1 + n−k · Fk−1,n−k (1 − α) voca la heteroscedasticidad.
2
 Tests de Glesjer y de Goldfeld-Quandt (para muestras pequeñas y heteroscedas-
n−1 .
 Coeficiente de determinación corregido: R = 1 − (1 − R2) · n−k ticidad provocada por una variable).
] Selección de modelos:  Tests de White y de Breusch-Pagan (muestras grandes y no se especifica la va-
n n riable que provoca la heteroscedasticidad).
L = − · (1 + ln(2 · π) − ln(n)) − · ln(SCR)
2 2 ] Estimación bajo heteroscedasticidad: Mı́nimos Cuadrados Ponderados.
 AIC = −2 · L + 2 · k.  Transformar los datos según:
 BIC = −2 · L + k · ln(n). Yt Xit
∗
Yt = √ , ∗
Xit = √ , i = 1, . . . , k, t = 1, . . . , n.
 HQC = −2 · L + 2 · k · ln (ln(n)) .
wt wt
] Distribuciones: t h i−1 
−1 −1  Estimar el modelo transformado por MCO.
   
βb ∼ N β, σ 2 · X tX → Rβb − Rβ · R · X tX · Rt · Rβb − Rβ ∼ χ2



q
↓
h
−1
i−1 8. Autocorrelación
t t
σ2
(n−k)·b
 t R·(X X) ·R  
∼ 2
σ2
χn−k → Rβb − Rβ · σ2
q·b
· Rβb − Rβ ∼ Fq,n−k
Cuando se incumple el supuesto de incorrelación, es decir, la covarianza de la perturba-
] Contrastes de hipótesis: h i−1 ción aleatoria es no nula para dos instantes de tiempo distintos (E[ui · uj ] 6= 0, ∀i 6= j o,
−1
 t R·(X tX) ·Rt  
equivalentemente, E[ut · ut−k ] 6= 0, ∀k > 0), se dice que hay autocorrelación.
 Rechazo H0 : Rβ = r si Rβb − r · q·b
σ 2 · R b − r > Fq,n−k (1 − α).
β
  ] Este problema aparece especialmente cuando se disponen de datos de series tempo-
 βb −b  α
t

−1 rales.
 Rechazo H0 : βi = bi si  σb√w  > tn−k 1 − 2 , wi elemento (i, i) de X X
i i
.
i
] La consecuencia de la presencia de autocorrelación en un modelo lineal es, como es
] Análisis de la varianza (ANOVA): sabido, que los estimadores obtenidos aunque serán lineales e insesgados no serán ópti-
SCE R2
k−1 mos.
 Rechazo H0 : β2 = β3 = · · · = βk = 0 si SCR = k−12 > Fk−1,n−k (1 − α).
1−R ] Suponemos que la estructura de autocorrelación viene marcada por un proceso auto-
n−k n−k
] Intervalos de confianza: rregresivo de orden 1, esto es:
 t h
−1
i−1   ut = ρ · ut−1 + vt.
 Para Rβ: Rβb − r · R · X tX · Rt b2 · Fq,n−k (1 − α).


· Rβb − r ≤ q · σ
α
√ ] Procedimientos de Detección:
 Para βi: βi ± tn−k 1 − 2 · σ
b b· w i.   Gráfico temporal de los residuos.
2 (n−k)·bσ 2 (n−k)·b σ2 SCR , SCR .  Gráficos de dispersión de los residuos frente algún retardo suyo.
 Para σ : 2 , =
χn−k (1− α2 ) χ2n−k ( α2 ) χ2n−k (1− α2 ) χ2n−k ( α2 )  Funciones de autocorrelación (ACF) y autocorrelación parcial (ACP).
 Contrastes de Durbin-Watson y de Ljung-Box.
4. Explotación del Modelo Lineal ] Estimación bajo autocorrelación: Prais-Winsten (muestras pequeñas).
 Estimar el modelo original por MCO.
¿Qué ocurre para nueva información recogida en x0?  Utilizar los residuos del ajuste anterior para estimar ρ.
] Predictor puntual: p0 = xt0 · β.
b  Transformar los datos según:
,→ lineal, insesgado (E[p0] = xt0 · β) y óptimo (mı́nima varianza). p
1 − ρ2 · Y1 t = 1
 p
1 − ρ2 · Xi1 t = 1
∗
Yt = ∗
, Xit = ,
] Predictor por intervalo: q Yt − ρ · Yt−1 t > 1 Xit − ρ · Xit−1 t > 1
b · xt0 · (X tX)−1 · x0.
 Para el valor esperado: xt0 · βb ± tn−k 1 − α2 · σ


q con i = 1, . . . , k.
 Para la permanencia estructural: xt0 · βb ± tn−k 1 − α2 · σ b · 1 + xt0 · (X tX)−1 · x0.  Estimar el modelo transformado por MCO volviendo al primer paso.


 Repetir este proceso hasta que la diferencia entre dos estimaciones consecutivas
de ρ sea menor que un valor prefijado (de orden 10−3 normalmente).
5. Estimación con información a priori ] Estimación bajo autocorrelación: Cochrane-Orcutt (muestras grandes).
 Cuando el número de observaciones es suficientemente grande se puede des-
¿Cómo estimar β sabiendo que verifica que R · β = r (q restricciones)? preciar la primera observación (perdiéndola) transformando los datos según
] Mı́nimos Cuadrados Restringidos
−1
h
−1
i−1   Yt∗ = Yt − ρ · Yt−1, Xit∗ = Xit − ρ · Xit−1,
 βbR = βb + X t · X · Rt · R · X t · X · Rt



· r − R · βb .
     para t > 1 e i = 1, . . . , k.
,→ insesgado (siempre que r = R · β) y óptimo V ar βbR ≤ V ar βb .  Proceso iterativo análogo al anterior.

El Modelo Lineal Econometrı́a