TÓPICOS DE ECONOMETRÍA

TEORÍA Y PRÁCTICA

INTRODUCCIÓN

Econometric Views (EViews) es un paquete informático dedicado fundamentalmente al

análisis econométrico de los datos, pudiendo ser estos de corte transversal, series de tiempo,
combinados (de corte transversal y series de tiempo) o de panel.

Es un programa capaz de dar respuesta a algunas de las principales necesidades que se

tienen en el mundo económico y empresarial, siendo las principales áreas en las que se
aplican:

 Análisis económico
 Análisis financiero
 Análisis de riesgo
 Predicción y simulación

Así de esta manera, aunque EViews fue desarrollado por y para economistas y la gran
mayoría de sus usos están en la economía, no se limita al uso exclusivo de ésta área.

Eviews utiliza el término ”objeto” para recoger todo aquello con lo que se puede operar y
crear. Objetos son, por ejemplo, una serie, una ecuación, un modelo o un coeficiente. Cada
objeto tiene distintas perspectivas, por ejemplo una serie puede verse con un gráfico, una
hoja electrónica o mediante sus principales medidas descriptivas.

Eviews se desarrolla mediante el básico entorno Windows a través de menús desplegables y

ventanas, usted puede usar su mouse para guiar las operaciones a través de los menús y
diálogos de eviews de manera de operar con los comandos para el análisis de los datos que
se tengan a disposición; entre las muchas aplicaciones se encuentran:
Por un lado el análisis descriptivo y gráfico de los datos a través de:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

 Estadísticas descriptivas e histogramas de frecuencia.

 Covarianzas, correlaciones y correlaciones cruzadas.
 Funciones de autocorrelación simple y parcial.
 Gráfico de línea, de barras, tortas, diagrama de dispersión, gráficos de doble escala,
gráficos de series normalizadas, etc.

Por otro la estimación de modelos a través de las siguientes técnicas:

 Mínimos Cuadrados Ordinarios MCO (regresión simple y múltiple).

 Mínimos Cuadrados Generalizados MCG.
 Mínimos Cuadrados en dos etapas o bietápicos MC2.
 Mínimos Cuadrados no Lineales.
 Modelos de elección binaria: Probabilidad Lineal, Logit, Probit y Tobit.
 Modelos ARCH, GARCH, TARCH y EGARCH
 Modelos de Vectores Autoregresivos VAR.
 Modelos de Corrección de Errores MCE
 Modelos AR, MA, ARMA, y ARIMA.
 Modelos de rezagos distribuidos.
 Modelos dinámicos.
 Sistemas de Ecuaciones Simultaneas

Dado que el presente manual es una pequeña parte de un proyecto más ambicioso
solamente abordará el manejo de eviews para un análisis completo de los modelos de
mínimos cuadrados ordinarios. Y como la teoría tiene que buscar su correspondiente
aplicación en la vida real, se presenta la aplicación de determinados ejemplos, uno de ellos
aplicado a nuestra economía, con el objetivo de ilustrar las distintas herramientas con las
que cuenta Eviews en materia de MCO.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

LA PRIMER SESIÓN

Al ingresar a Eviews la ventana inicial es la siguiente:

ÁREA 1. BARRA DE TÍTULOS

En la que se distingue el nombre del programa Eviews, así como las opciones de
minimizar, maximizar, restaurar y cerrar.

ÁREA 2. MENÚ BÁSICO DE HERRAMIENTAS GENERALES

En la cuál se puede acceder a los diferentes menús desplegables, haciendo clic con el
mouse en cualquiera de opciones habituales en las aplicaciones de tipo Windows, para
trabajar con las distintas herramientas de Eviews, contiene las siguientes opciones:

i. FILE: Para operaciones relacionadas con los archivos, datos y programas.

ii. EDIT: Realiza operaciones básicas de cualquier programa tales como COPY
(copiar), CUT (cortar) y PASTE (pegar)

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

iii. OBJECTS: Manipula los distintos objetos que se guardan en un workfile.

iv. VIEWS: Para operaciones relacionada con la visualización en pantalla.
v. PROCS: Contiene comandos relacionados principalmente con series.
vi. QUICK: Proporciona los comandos que son utilizados con una mayor frecuencia.
vii. OPTIONS: Permite modificar el funcionamiento predefinido de Eviews tales como
las opciones de impresión.
viii. WINDOWS: Se tiene acceso directo a las ventanas que se tengan abierta.
ix. HELP: Proporciona ayuda sobre los comandos, objetos, funciones, etc.

ÁREA 3. ÁREA DE RECEPCIÓN DE COMANDOS

En esta área se podrán introducir y ejecutar de forma manual todos los comandos
habilitados exclusivamente para Eviews. Estos comandos se activarán al momento de
oprimir ENTER, los mismos se detallaran a lo largo de todo el manual oportunamente.

ÁREA 4. ÁREA DE PRESENTACIÓN DE CONTENIDOS Y RESULTADOS

En esta zona, que ocupará habitualmente la mayor parte de la pantalla, es donde se

presentarán los contenidos de los distintos archivos de trabajo activos, así como los
resultados de las diferentes acciones realizadas sobre los mismos. En este sentido, podrán
aparecer tanto ventanas desarrolladas, con todos sus contenidos, como pequeños iconos que
deberán ser maximizados para consultar su contenido.

ÁREA 5. BARRA DE PRESENTACIÓN DEL ESTADO DE LA APLICACIÓN

La que nos informa sobre el estado actual de la aplicación activa, detallando la acción que
se esta ejecutando en ese momento (mensaje de bienvenida en la imagen adjunta), el
directorio activo en ese momento (Path), la base de datos activa, si la hubiera (DB), y el
archivo de trabajo (Workfile).

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

CREANDO UN WORKFILE
E INTRODUCIENDO DATOS

El elemento básico de tratamiento de información en EViews es el Workfile o archivo de

trabajo. Para crear un workfile nuevo click en FileNewWorkfile:

Damos un click y
EViews nos muestra
la siguiente ventana

En la nueva ventana debemos especificar el rango de los datos con los que vamos a
trabajar, éstos pueden ser: anuales (Annual), semestrales (Semi – anual), trimestrales
(Quaterly), mensuales (Monthly), semanales (Weekly), diarios para semanas de cinco días
(Daily 5 days weeks) o diarios para semanas de siete días (Daily 7 days weeks) y
finalmente datos irregulares (Undated or irregular) o de corte transversal. A continuación
se debe especificar la fecha inicial (Start date) y la fecha final (End date) según la
frecuencia de datos con la que estemos trabajando. A modo de ejemplo crearemos un
workfile con datos trimestrales indicando en la fecha de inicio 1990:01 y en la fecha final
2004:4. Pulsando OK se presentara la siguiente ventana:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Por defecto EViews muestra siempre dos

elementos: una serie denotada mediante la letra
“c” que está reservado a la constante de cualquier
modelo y la serie “resid” destinada a recoger los
residuos generados por nuestro modelo.

Una vez creado nuestro workfile introducimos los datos con los cuales trabajaremos, para
ello EViews nos ofrece tres maneras de hacerlo:

i. Introducirlos directamente, para ello click en QuickEmpty Group (Edit Series):

A partir de aquí
introducimos
nuestros datos.
Para darle un
nombre a las
series click en
las celdas a la
derecha de obs.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

ii. Una segunda opción de introducir los datos es importarlos desde un archivo Excel, para
ello en el menú principal damos click en FileImportText–Lotus–Excel, EViews nos
muestra dos ventanas secuencialmente: en la primer ventana se debe ubicar el archivo que
contiene los datos a importar (este archivo debe estar previamente cerrado), en la segunda
ventana se debe indicar el orden de los datos, es decir, si vienen por columnas (columns) o
por filas (rows), también se debe señalar la celda en la cual se encuentra el primer dato de
la primer serie (Upper left data cell), no el nombre de la serie, finalmente damos un
nombre a nuestras series (Names for series or Number in series in file):

Para ver los datos importados

pintar las series dar un click en
el botón derecho del ratón y
dentro la opción (Open) abrir
como grupo (as Group).

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

iii. Finalmente podemos utilizar las opciones clásicas de copiar y pegar. Para ello
primeramente en Excel abrimos nuestro archivo de trabajo, pintamos los datos, incluyendo
los nombres de nuestras series, damos la opción copiar; a continuación en Eviews
QuickEmpty Group y en la nueva ventana click en la opción Paste (pegar).

Para pegar nuestros datos, click en el botón

izquierdo del ratón en la celda de la derecha
de obs (de manera que se pinte toda la
columna), a continuación click en el botón
derecho Eviews despliega un pequeño menú y
dentro éste click en la opción Paste o pegar.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

TRABAJANDO CON OBJETOS

Una vez creado nuestro workfile e introducidos nuestros datos podemos empezar a realizar
un análisis general de los mismos (previo a la estimación del modelo), EViews nos permite
hacer esto a través de:

GRÁFICOS

Muy útil cuando queremos ver cual el comportamiento de nuestras variables; para ver la
gama de gráficos que ofrece Eviews primeramente abrimos nuestras variables como grupo
a continuación click en ViewGraph ó ViewMúltiple Graphs es decir ver los gráficos
conjuntamente o individualmente en cada ventana, en cualquiera de estas opciones
podemos elegir entre un gráfico lineal (line), de barras (bar), tortas (pie) o un
dispersograma (scatter) entre los más importantes. para nuestro ejemplo realizaremos un
gráfico lineal y un dispersograma (muy útil a la hora de decidir, siempre y cuando
contemos con dos variables en nuestro modelo, el tipo de función que utilizaremos para
ajustar nuestro modelo), así tenemos:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

ESTÁDISTICA DESCRIPTIVA

Si queremos ver las principales medidas estadísticas (de posición, de forma y de dispersión)
de nuestras series click en ViewDescriptive Stats, para nuestro ejemplo tenemos:

Donde: Mean (Media), Median (Mediana), Máximum (es el mayor valor de nuestra
serie), Mínimum (es el menor valor de nuestra serie), Std. Dev. (es la desviación estándar),
Swekness (es el sesgo), Kurtosis (es la Curtosis), Jarque – Bera (es el estadístico de
Jarque y Bera que nos sirve para determinar sí nuestra serie tiende a una normal), Sum (es
la suma de todos los valores), Sum Sq. Dev. (es la suma al cuadrado de las desviaciones) y
finalmente Observations (es el número de datos u observaciones que tiene nuestra serie).

MATRIZ DE COVARIANZAS Y CORRELACIONES

La covarianza y el coeficiente de correlación miden el grado de asociación lineal existente

entre dos variables, con la diferencia que la primera lo hace en términos absolutos y la

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

segunda en términos relativos. Parea ver las respectivas matrices click en

ViewCorrelations ó ViewCovariances, para nuestro ejemplo tenemos:

CORRELOGRAMA

Representa la prueba más sencilla para determinar, si estamos tratando con datos de series
de tiempo, la estacionariedad de las mismas, es decir con media y varianza constantes, para
nuestro ejemplo realizaremos el correlograma de la serie consumo para lo cual procedemos
de la siguiente forma. Haciendo click en ViewCorrelogram Eviews presenta una
ventana en la cual debemos especificar el correlograma de nuestra serie, primeramente si se
hará en niveles (level), en primeras diferencias (1st difference) o en segundas diferencias
(2st difference), también debemos fijar el número de rezagos que se incluirán en el
correlograma, por defecto Eviews escoge el mismo a partir de los criterios de información
de Akaike y Schwarz. Como se podrá apreciar en el correlograma del consumo más
adelante el mismo nos indica que no es estacionario. Pero dado que el análisis de series de
tiempo esta fuera del alcance del presente curso no se entrara en más detalles.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

CAUSALIDAD DE GRANGER

Ninguna relación estadística, por muy fuerte y sugestiva que sea (por ejemplo si la relación
entre dos variables presenta un alto coeficiente de correlación y por ende de
determinación), puede por si misma indicar causalidad, es decir una relación estadística no
puede por si misma implicar en forma lógica causalidad para esto se debe acudir a

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

consideraciones a priori o teóricas. En nuestro ejemplo de consumo – ingreso tiene como

base teórica el modelo básico de consumo keynesiano. Eviews nos ofrece una de las
técnicas mas conocidas para detectar causalidad, la técnica de causalidad en el sentido de
GRANGER (Eviews nos presenta la más básica pues existen pruebas más extensas de la
misma). Supongamos que tenemos dos variables Y y X, la técnica de GRANGER a la
pregunta si X causa Y es para ver cuanto del actual Y puede ser explicado por los valores
pasados de Y y luego para ver si agregando valores residuales de X puede mejorar la
explicación. Se dice que Y es causado por X en el sentido de GRANGER si X ayuda en la
predicción de Y, es decir si los coeficientes de los residuados son estadísticamente
significativos. Eviews automáticamente hace correr cuatro regresiones: Y sobre los Y’s
residuales, Y sobre los residuados Y’s y residuados X’s, X sobre los residuados X’s y
finalmente X sobre los residuados X’s y residuados Y’s.

Las pruebas son si todos los coeficientes de los residuados X’s de la segunda regresión
pueden ser considerados como cero, y en forma similar si los coeficientes de los residuados
Y’s de la cuarta regresión son cero. De esta manera las hipótesis nulas que están siendo
probadas son: X no causa Y en el sentido de GRANGER, y que Y no causa X en el sentido
de GRANGER ambas siguen una distribución F con m y (n – k) grados de libertad donde m
es el número de rezagos y k los regresores estimados(debe aclararse que no existe una regla
para elegir el número de rezagos óptimo). Para nuestro ejemplo utilizamos 5 rezagos, según
nuestros resultados, el ingreso si causa en el sentido de Granger al Consumo, y no ocurre lo
contrario, lo cual es un buen precedente para el siguiente paso que es correr nuestro
modelo.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

GENERANDO NUEVAS SERIES

Una de las opciones de mucha utilidad que nos ofrece Eviews es la de generar o
transformar nuevas series de datos a partir de las observaciones existentes. Tres
transformaciones útiles son diferenciar, aplicar logaritmo y rezagar. Para ello simplemente
hacemos click en la opción Genr, en la nueva ventana debemos ingresar nuestra ecuación
para generar una nueva serie, suponiendo que contamos con una serie X, la estructura
funcional de Eviews para generar nuevas series es: primeramente escribir el nombre de
nuestra nueva serie a continuación el signo igual (=) y finalmente la formula que describe
como calcular la nueva serie por ejemplo para diferenciar es d(X) (se diferenciara el Xt –
Xt-1), para aplicar logaritmos log(X) (donde log es el logaritmo neperiano muy utilizado en
economía) y para rezagar X(-d) (donde “d” es el número de rezagos que se desea), también
podemos obtener la variación porcentual o tasa de crecimiento de nuestras series; para ello
escribimos @pch(X).

Para nuestra serie consumo generaremos cuatros nuevas series: en primeras diferencias,
rezagada un periodo, logaritmada y la tasa de crecimiento:

Dando OK abrimos como grupo la serie original mas las series generadas de manera de ver
los cambios generados partir de nuestra serie original.
NOTA: Fíjese que nuestras series creadas se añadieron a nuestro workfile.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

ESTIMACIÓN DEL MODELO

MÍNIMOS CUADRADOS ORDINARIOS

Una vez que analizamos nuestros datos en bruto, podemos pasar a correr nuestro modelo
(como señalamos anteriormente tratamos con el modelo básico de consumo keynesiano).
Para correr nuestro modelo primeramente abrimos nuestras series como grupo a
continuación en la barra de herramientas click en ProcsMake Equation en cuya ventana
especificaremos las variables de nuestro modelo, primeramente la variable dependiente la
constante (c) y finalmente la(s) variable independiente(s), para nuestro ejemplo tenemos:

Si hacemos click en la pestaña de los métodos de estimación (Estimation

settingsMethod) Eviews nos muestra una gama de los métodos de estimación de
modelos como ser: Mínimos Cuadrados Bietápicos, Método Generalizado de Momentos,
Modelos Logit y Probit, etc, en nuestro ejemplo utilizaremos el método LS: Least Squares
(Mínimos Cuadrados Ordinarios) dando un OK en esta ventana tendremos que:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

 Coefficient: son los parámetros estimados de nuestro modelo.

 Std. Error: es el error estándar de los coeficientes o parámetros.
 t – Statistic: es el estadístico t de student calculado.
 Prob. : es la probabilidad (p – valué) de cometer el error tipo I.
 R – squared: es el coeficiente de determinación (R2).
 Adjusted R – squared: es el coeficiente de determinación ajustado.
 SE. Of regression: es error estándar de la regresión o del modelo.
 Sum squared resid: es la suma de los residuos al cuadrado.
 Log likelihood: es el logaritmo de máxima verosimilitud.
 Durbin – Watson stat: es el estadístico Durbin – Watson.
 Mean dependent var: es la media de la variable dependiente.
 S.D. Dependent var: es la desviación estándar de la variable dependiente.
 Akaike info criterion: es el criterio de información de Akaike
 Schwarz criterion: es el criterio de información de Schwarz
 F – statistic: es el estadístico F calculado.
 Prob(F – statistic): es la probabilidad (p – valué) de cometer el error tipo I de la
prueba F.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

La opción View de la barra de herramientas despliega un menú con las siguientes opciones:

Representations
Presenta nuestro modelo de tres formas: según los comandos que utilizamos en EViews,
funcionalmente y el modelo estimado en si:

Actual, Fitted, Residual

Que nos muestra los valores observados (Actual), estimados (Fitted) y los
correspondientes residuos (Residual) del modelo; podemos elegir entre ver estos valores en
forma de tabla (Table), gráficamente (Graph), la gráfica de los residuos (Residual) y la
gráfica de los residuos estandarizados (Standarized Residual Graph). En nuestro ejemplo
tenemos que:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Covariance Matrix
Opción que nos muestra la matriz de varianza – covarianzas de los estimadores  de
nuestro modelo, para nuestro ejemplo consumo – ingreso tenemos:

La diagonal principal nos muestra la varianza de cada parámetro y el resto las covarianzas.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

ESPECIFICACIÓN Y ESTABILIDAD
DEL MODELO MCO

Coefficient Test: Wald Coeffientent Restrictions…

Muy útil cuando la teoría nos presenta condiciones o restricciones a determinados
parámetros, como ejemplo veamos que nos dice la teoría acerca del modelo de producción
tipo Cobb – Douglas:

Y = AL1K2eUt

Modelo planteado estocásticamente, ahora fijémonos que los parámetros 1 y 2 son las
elasticidades del producto con respecto al trabajo y al capital respectivamente, donde debe
cumplirse que:
1 + 2 = 1

Para determinar si existen rendimientos constantes a escala. Para probar esta restricción
que nos impone la teoría económica recurrimos al test de Wald, para ello primeramente
abrimos nuestro ejemplo Cobb Douglas y se pide correr el correspondiente modelo cuyos
resultados según EViews son los siguientes:

LOG(PRODUCTO) = -3.33845546 + 1.498766864*LOG(TRABAJO) + 0.4898584704*LOG(CAPITAL)

En la barra de herramientas click en ViewCoefficient TestsWald – Coefficient

Restrictions… en la ventana que nos presenta EViews debemos especificar la restricción
que queremos probar respecto a nuestros parámetros, nótese que en este caso se los
representa con la letra “c”. Así en nuestro ejemplo c(1) y c(2) son los parámetros de las
elasticidades del trabajo y el capital respectivamente.

Una vez escrita nuestra restricción ésta se convierte en nuestra hipótesis nula, damos un
OK.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

El test de Wald sigue una distribución F con m y (n – k) grados de libertad o una 2 con m
grados de libertad donde m es la restricción (la primera se utiliza cuando la restricción es
lineal). A la luz de nuestros resultados concluimos rechazando la hipótesis nula, es decir la
economía japonesa durante el periodo de estudio no experimento rendimientos constantes a
escala en su función de producción.

Prueba del Punto de Quiebre de CHOW (Chow Breakpoint Test)

Prueba que sirve para determinar si nuestro modelo, una vez estimados nuestros
parámetros, se mantiene estable durante todo el periodo de tiempo que se estudia
(solamente aplicable a series de tiempo). Pero sucede muchas veces que las variables que
intervienen en los modelos planteados sufren shocks o cambios estructurales que alteran su
comportamiento en el tiempo lo cual puede influir en el modelo que estamos planteando.

Si ese fuera el caso entonces debemos determinar si durante el periodo de estudio, se ha

presentado un quiebre o cambio que afecte al modelo; tal como se vio en clases para este
propósito hacemos uso del test de Chow, para ello primeramente abrir el ejemplo
Alimentos en ella correremos el siguiente modelo:

Yt = 1 + 2X1t + 3X1t + Ut

Donde Y es la cantidad consumida de alimentos, X1 es el precio de éstos y X2 es el ingreso

percápita para la economía [Link] durante el periodo 1927 - 1962 excluyéndose los años
de la II guerra mundial, U es un término de perturbación ruido blanco.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Una vez estimado nuestro modelo procedemos a aplicar la prueba de Chow para ver si los
parámetros del modelo estimado para el periodo 1927 – 1941 y 1948 – 1962 se
mantuvieron estables, y si se diera el caso, entonces podemos correr un solo modelo para
todo el periodo. Para ello click en ViewEstability TestsChow Breakpoint Test…
primeramente Eviews nos mostrará las siguientes ventanas:

En la primera debemos señalar el año para a partir del cual se correrá el modelo para el
segundo periodo, es decir este año separará ambos periodos Eviews automáticamente
correrá dos regresiones una para el periodo 1927 – 1941 y otro para 1948 – 1962 y
calculará el estadístico de prueba (F) que podemos ver en la segunda ventana, esta prueba
se distribuye como una F con k y n – 2k grados de libertad en el numerador y denominador
respectivamente. Ahora bajo la hipótesis nula de que existe estabilidad en ambos periodos y
a un nivel de significancia  procedemos a rechazar o aceptar ésta.

Prueba RESET de Ramsey (Ramsey RESET Test…)

Prueba de especificación incorrecta de la regresión, que como su nombre lo indica nos sirve
para determinar si la especificación funcional que adopta nuestro modelo es la correcta.
Siguiendo con nuestro anterior ejemplo determinemos si dicho modelo, especificado en
términos de logaritmos, es el correcto. Para ello primeramente en nuestro ejemplo anterior
nos ubicamos en el modelo estimado a continuación click en ViewEstability
TestsRamsey RESET Test… en la primera ventana debemos indicar el número de
regresores adicionales que se incluirán en la regresión de la prueba RESET que consistirán
en la variable dependiente Y estimada, debe aclararse que no existe una regla para incluir

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

un número óptimo de variables la teoría solo indica que debe empezarse con 1 y seguir
agregando una mayor cantidad (esta es la desventaja de la prueba RESET).

En la segunda ventana Eviews nos muestra el estadístico de prueba una F, valor que
debemos contrastar con una F de tablas con (m) y (n – m) grados de libertad en el
numerador y en el denominador respectivamente donde m es el número de variables
adicionales que ingresamos en la prueba RESET. Bajo la hipótesis nula de que el modelo
especificado es el correcto a un nivel de significancia  procedemos a rechazar o aceptar
dicha hipótesis.

Estabilidad de los Residuos (Recursive Estimates (OLS only))

Las pruebas que se encuentran dentro esta opción centran su aplicación en los residuos de
nuestro modelo (debe aclararse que las pruebas de esta opción son solo aplicables a
modelos estimados por MCO), cada una de estas pruebas calculan dos bandas de confianza
cada una con (+/- 2 S.E.) es decir con una probabilidad del 95%, para ver lasa distintas
pruebas click en ViewEstability TestsRecursive Estimation en la ventana del
modelo estimado:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Cada una de estas pruebas se basan en un tipo especial de residuos denominados Residuos
Recursivos los cuales se obtienen a partir del modelo MCO pero con la particularidad que
los residuos recursivos siempre cumplen las siguientes propiedades:

i. Son no correlacionados
ii. Tiene varianza común 2
iii. La SRC de estos residuos es igual a la SRC de los residuos normales

Nuevamente al igual que el análisis de series de tiempo este tema esta fuera del alcance del
presente curso por lo que no se entrará en detalles. Para terminar esta parte concluiremos
diciendo que a partir de los resultados obtenidos por Eviews para nuestro ejemplo Cobb
Douglas dicho modelo presenta estabilidad durante todo el periodo de estudio.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

HETEROSCEDATICIDAD

Uno de los supuestos básicos del modelo clásico de regresión lineal es:

V(Ui) = 2

La variación de las perturbaciones es constante en todas las observaciones, pero éste

supuesto rara vez se cumple en el trabajo empírico. De modo que al correr un modelo
podemos estar ante la presencia de la heterocedasticidad, en cuyo caso debemos detectar
este fenómeno primeramente y realizar las respectivas medidas remédiales si,
efectivamente, se detecta su presencia. También debemos aclarar que la presencia de este
fenómeno es común en los datos de corte transversal y no así en las series de tiempo.

PRUEBAS PARA DETECTAR LA HETEROCEDASTICIDAD

Para ejemplificar esta parte abrimos el archivo heterocedasticidad.

Prueba Gráfica
Aunque poco formal, una prueba para detectar la existencia de heterocedasticidad es
graficar un dispersograma de los residuos frente a una variable independiente (o a la
dependiente si tratamos con un modelo de dos variables) de manera de ver el patrón de
comportamiento pues la variación de la varianza del termino de perturbación puede deberse
a que esta siendo influenciada por una de estas variables.

Para nuestro ejemplo tenemos que el comportamiento que presenta el dispersograma de los
residuos frente a la regresora efectivamente muestra un comportamiento heterocedástico,
pues incrementos del ingreso van acompañados de incrementos en los residuos

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

En las pruebas siguientes, en la mayoría de ellas se utiliza los residuos como la variable que
estima el término de perturbación para probarlas, por lo que debemos crear una nueva serie
igual a nuestros residuos obtenidos del modelo MCO esto se hace a través de GENR. La
razón de ello es que cada vez que estimemos un nuevo modelo los residuos cambian y se
recogen en la serie resid, pero para llevar adelante las pruebas de detección de
heterocedasticidad debemos trabajar necesariamente con los residuos originales del modelo
de MCO.

Prueba de PARK
Esta prueba nos dice que la varianza 2 es una función de la variable explicativa o
independiente X, a partir de la siguiente función:

2i = 2*Xi*evi

ln2i = ln2 + lnXi + vi

Esta prueba sugiere utilizar los residuos del modelo en lugar de 2 entonces corremos el
modelo:
lnei =  + lnXi + vi

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Donde “e” en este caso son los residuos del modelo que según esta prueba se utiliza como
variable proxy para 2i. Ahora bajo la hipótesis nula de ausencia de heterocedasticidad

realizamos una prueba de significancia individual para el parámetro . Estimando este

modelo en Eviews tenemos:

Claramente vemos que el parámetro  es significativo, por lo que rechazamos la hipótesis

nula, es decir el modelo presenta heterocedasticidad (nótese que no existe el logaritmo de
cifras negativas lo que supone una desventaja en aplicar esta prueba pues Eviews
automáticamente excluye estos datos al no determinárselos)

Prueba de GLESJER
Que consiste en correr el modelo del valor absoluto de los residuos “e” frente a la(s)
variables independientes, utilizando las siguientes formas funcionales:

e = 0 + 1X i + v i e = 0 + 1X i + v i

e = 0 + 1(1/X i) + v i e = 0 + 1(1/X i) + v i

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

para nuestro ejemplo Eviews estimo los siguientes resultados:

Ahora para probar la hipótesis nula de ausencia de heterocedasticidad elegimos la ecuación

que tenga coeficientes significativos y una menor suma residual de cuadrados así como el
mejor R cuadrado, a la luz de nuestros resultados elegimos el primer modelo (también
hubiéramos elegido el tercero). En este caso rechazamos la hipótesis nula, es decir nuestro
modelo presenta el fenómeno de heterocedasticidad.

Prueba General de WHITE

Es una prueba general para detectar heterocedasticidad en Eviews se calcula
automáticamente, primeramente en nuestro modelo estimado original click en
ViewResidual TestsWhite Heteroskedasticity (no cross terms) que corresponde a la
prueba de White sin términos cruzados que es la prueba pura de heterocedasticidad, la

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

prueba con términos cruzados (cross terms) además de detectar la heterocedasticidad

prueba la correcta especificación del modelo, para nuestro ejemplo Eviews estimo:

Según nuestros resultados rechazamos la hipótesis nula de ausencia de heterocedasticidad.

Las pruebas de Goldfeld y Quandt así como la prueba de Breusch – Pagan y Godfrey
también rechazaron la ausencia de heterocedasticidad, pero estas pruebas se dejan para ser
obtenidos y testeadas por el alumno.

Medidas remediales para la heterocedasticidad

Una vez realizadas las pruebas de detección de este fenómeno, procederemos a aplicar
métodos que arrojen estimadores MELI dado que la heterocedasticidad si bien no afecta a

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

la insesgadez y a la consistencia si lo hace con la eficiencia de los estimadores MCO es

decir éstos dejan de ser de varianza mínima y por ende dejan de ser MELI. El método que
utilizaremos para remediar la heterocedasticidad será el de Mínimos Cuadrados Ponderados
que consiste en regresar:
Yi/wi = 1(1/wi) + 2(Xi/wi) + Ui

Donde: wi = e = 0 + 1X i + v i

Que no es mas que la regresión del valor absoluto de los residuos del modelo MCO original
frente a la variable independiente X. Así primeramente generaremos una nueva serie
denominada z con la opción Genr (z = -0.209760 + 0.051195*ingreso) fíjese que estos
datos los obtenemos de la prueba de Glesjer, corriendo la primera ecuación en Eviews
tenemos:

Aplicando a esta regresión el test de White obtendremos que:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Que definitivamente muestra ausencia de heterocedasticidad. El alumno deberá aplicar las

otras pruebas para detectar este fenómeno.

Nota: Fíjese que este modelo no contiene término constante.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

AUTOCORRELACIÓN

Que constituye otro de los fenómenos que normalmente se presenta en el trabajo empírico,
recordemos que uno de los supuestos del MCRL sobre el término de perturbación:

Cov(UiUj) = 0 con i j

Es decir este supuesto indica la ausencia de autocorrelación entre los términos de

perturbación, pero nuevamente y al igual que en la heterocedasticidad en la práctica la
autocorrelación suele presentarse, especialmente en datos de series de tiempo y no así en
datos de corte transversal.

PRUEBAS PARA DETECTAR LA AUTOCORRELACIÓN

Para ejemplificar esta parte retomemos nuestro ejemplo Consumo – Ingreso, como
trabajaremos con los residuos originales nuevamente generaremos una nueva serie con el
nombre residuos en la opción Genr (residuos = resid)

Prueba Gráfica
Aunque poco formal nos indica cual el tipo de autocorrelación que existe, positiva o
negativa, para ello graficamos en un dispersograma los residuos frente al tiempo:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Que claramente muestra un patrón autocorrelacionado.

Prueba “d” de Durbin – Watson

Que como se vio en clases detecta autocorrelación solamente de primer orden y no es
aplicable si existen rezagos de la variable dependiente entre los regresores. EViews calcula
directamente este estadístico, para nuestro ejemplo reproducimos el modelo estimado:

Recordemos que la DW se determina como:

Simplificando tenemos:

DW = 2(1 - ) con -1<<1 que implica 0<DW<4

Si la DW esta cercana a 2 implica ausencia de autocorrelación, si esta cerca de 4

autocorrelación negativa y si se encuentra cerca de 0 autocorrelación positiva, pero para
determinar ello existen dos limites dL inferior y dS superior ambos para k parámetros y para
una muestra tamaño n.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

En nuestro ejemplo la DW=1.085538 con n=60 y k=2, buscando en las respectivas tablas a
un nivel de significancia del 5% tenemos que el límite inferior dL=1.549 y el limite
superior dS=1.616 como el valor calculado cae por debajo del limite inferior entonces
concluimos afirmando que existe autocorrelación positiva.

Prueba de Breusch y Godfrey (BG)

La desventaja de la prueba DW es que solo determina si existe autocorrelación de primer
orden y no así si existen autocorrelación de orden superior. La prueba de Breusch y
Godfrey es una prueba general para detectar autocorrelación de orden superior AR(1),
AR(2),… AR(); además de que esta prueba permite que la variable dependiente rezagada
como regresoras. En nuestro ejemplo en el modelo estimado click en ViewResidual
TestsSerial Correlation LM Test… esta prueba nos presenta una ventana en la que
debemos elegir el número de rezagos para incluirse en la nueva regresión de la prueba B,
los mismos serán el orden de autocorrelación que se probara, para elegir el número optimo
de rezagos a incluirse la teoría nos dice que tomemos como referencia los criterios de
información de Akaike y Schwarz, para nuestro ejemplo tenemos:

El estadístico de prueba en esta prueba es: Obs*R-squared=52.96434 valor que debemos

contrastar con una chi – cuadrado con  grados de libertad, donde  es el número de
rezagos incluidos en la prueba. Según nuestros resultados procedemos a rechazar la
hipótesis nula de ausencia de autocorrelación.

Adicionalmente existen otras dos pruebas basados en los residuos del modelo MCO que
Eviews nos ofrece para probar la autocorrelación de orden superior las cuales consisten en
la construcción de dos bandas al 95% de probabilidad, si los residuos pasan estas bandas es

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

señal de existencia de autocorrelación, nuevamente para la inclusión de rezagos Eviews poe

defecto utiliza los criterios de Akaike y Schwarz, estas pruebas son El Correlograma de
los Residuos y el Correlograma de los Residuos al Cuadrado. Para nuestro ejemplo
tenemos.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

La prueba del correlograma de los residuos al cuadrado se deja para el alumno.

Medidas Remediales para la Autocorrelación

El método de los Mínimos Cuadrados Generalizados se puede utilizar para levantar el
fenómeno de autocorrelación, para ello primeramente debemos estimar  a partir de:

DW = 2(1 - )

Ahora  = 0.457231
Valor que reemplazaremos en:

(Yt - Yt-1) = 1(1 - ) + 2(Xt – Xt-1) + (Ut – Ut-1)

Modelo que equivale a aplicar MCG, así estimando este modelo para nuestro ejemploen
Eviews tenemos:

Como podemos ver la autocorrelación ha desaparecido.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

Alternativamente a este método existe otro, que según los autores, nos dice que incluyamos
el orden de autocorrelación AR() directamente en el modelo estimado en niveles, como
pudimos ver en el correlograma de nuestro ejemplo existe tanto autocorrelación de primer y
cuarto orden, entonces inicialmente podemos plantear el siguiente modelo:

Yt = 1 + 2X1t + 3X1t + Ut + Ut-1

Que nos indica que las perturbaciones siguen un orden de autocorrelación de primer orden
AR(1), que en Eviews podemos plantear de la siguiente forma:

CONSUMO C INGRESO AR(1)

Es decir en nuestro modelo estimado estamos teniendo en cuenta el proceso de

autocorrelación, estimando este modelo en EViews tenemos:

Fíjese nuevamente que la autocorrelación ha desaparecido, aunque este método tiene una
desventaja que al mismo no se le puede aplicar las pruebas de estabilidad que aplicamos al
modelo MCO original.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

MULTICOLINEALIDAD

La multicolinealidad es un fenómeno muy frecuente en el trabajo práctico, la misma se

refiere a la relación existente entre dos o más variables independientes (X), para
ejemplificar esta parte volvamos a nuestro ejemplo Cobb – Douglas, por conveniencia
reproducimos el modelo estimado en Eviews:

PRUEBAS PARA DETECTAR LA MULTICOLINEALIDAD

Nuevamente y muy importante: “La multicolinealidad es un problema de grado y no de

Clase”. Entonces mientras no nos enfrentemos a un grado de multicolinealidad perfecta,
nuestro modelo MCO seguirán estimando parámetros MELI.

Prueba R2 – t
Que consiste en ver si el modelo estimado tiene un alto R cuadrado pero t poco
significativas la regla nos dice:

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón
TÓPICOS DE ECONOMETRÍA
TEORÍA Y PRÁCTICA

R2 > 0.8 y 0 < t < 0.5

Ello implica de multicolinealidad alta o imperfecta.

Prueba de Glauber y Farrar

Prueba que consiste en analizar los coeficientes de correlación de orden cero y parciales,
esta prueba parte del siguiente estadistico de prueba:

Zij = (rij – 1)*(n – k/k – 1)

Que sigue una distribución F con (k – 1)/(n – k) grados de libertad, y donde rij es el i –
esimo elemento de la diagonal principal de la matriz inversa de la matriz de correlaciones.
Para nuestro ejemplo según Eviews tenemos que:

TRABAJO CAPITAL
TRABAJO 1.62614528 -1.00906055
CAPITAL -1.00906055 1.62614528

Bajo la hipótesis nula de que no existe colinealidad de la variable independiente Xi con la

variable Xj, procedemos a rechazar o aceptar dicha hipótesis.

Adicionalmente mirando nuevamente la matriz de correlaciones vemos que el grado de los

coeficientes entre los regresores es relativamente bajo, lo cual nos indica un grado de
multicolinealidad alto pero no perfecto.

MANUAL ECONOMETRIC VIEWS

Autor: Lic. Félix Orlando López Alarcón